scenario-consistency

场景一致性

概述

“让变体二看起来和变体一完全一样，除了 X 之外”是最常见的创作需求，而 Agent 会尝试使用种子，但种子解决不了这个问题。一致性取决于你向模型提供的内容，按持久性由低到高依次是：提示词基线、参考图像、风格参考、控制图、训练后的模型。同样的参考也能让角色在视频中保持一致。关于连接和核心循环，请参阅 scenario 技能；关于训练，请参阅 scenario-model-training；关于创建并归档命名角色或道具库及其设定图，请参阅 scenario-identity-library。如果你的可用技能中缺少此处提到的同系列技能，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；如果是在无人值守的情况下运行，请根据工具架构继续操作，并标明这一缺口。

快速参考

技术	保持一致的内容	所需投入	适用场景
基线加差异提示词	身份、构图、调色	低	始终适用，这是基础
参考图像输入	身份和世界观	低	一组场景或角度
风格参考输入	渲染风格，而非主体	低	图标集、UI、系列插画
asset_detect 控制图	姿势、几何形状、构图	中	布局必须保持不变时
参考图生成视频	动态中的身份一致性	中	角色或产品需要动起来时
重用种子	单张图像的精确生成结果	低	重新生成单次生成结果
训练后的模型	品牌风格，或大规模角色阵容	高	参考图不再满足扩展需求时（见下文）

Scenario 发布的流程指南：生成一张效果出色的参考图像，将其作为图像输入传递给每次场景生成，并优先选择参考图像槽位最多的模型。

基线加增量提示词

写明所有不得改变的内容，然后在最后一个分句中写出唯一的变化。每次运行之间保持提示词逐字节相同，只修改那个分句。每个项目都必须带有的变化（新服装、理发）属于基线，而非增量：先以主角自身的变化为增量运行一次，将结果确认为新的主角，然后以此为准锚定整个系列，这样参考图和枚举内容描述的就是同一造型。

具体列出各项细节：主体几何形状、相机高度和角度、主体在画面中的大小和位置、光照方向、每个具名子元素及其所在位置、以名称或十六进制值标注的配色，以及嵌入的文字。先查看基线（asset_display）：没见过的色调就无法列举，而模糊的锚点会逐渐偏移。

同时附上已批准的基线作为参考图。图像模型通常使用 referenceImages，但上限、必填要求和基数取决于 model_schema_get，有些模型的字段还是单个标量文件。标量 image 加上 strength 属于图生图，并非参考图槽位：它会同时锚定构图和身份；在默认强度下，纯背景锚点会覆盖整个场景的增量，因此场景系列需要真正的参考字段。只有架构标明 array: true 时才用数组封装，即使只有一个资源也要写成 ["asset_..."]：直接传入字符串会被静默丢弃，运行仍会成功，但会忽略该字符串。在提示词中说明每张参考图的用途。已批准的模特照片可填入剩余槽位：将其整理为一个集合（使用目录工具，写入通道），并通过 search filters={"collection_ids": [...]} 检索。有些风格参考模型成员会在首次运行时生成可复用的风格：其 ID 位于已完成作业的输出元数据中（通过 job_get 并设置 verbose=true 获取），不在运行响应或资源上；后续运行时，在架构的 ID 字段中传入该 ID，以替代图片。这两个字段互斥，而且只有图片字段标记为 cost_impact，因此只需支付一次生成费用：每次运行都传入相同的参考图之前，先阅读字段说明。即使架构将两个字段都标为可选，首次运行仍必须附上图片：该模型成员不接受两者都缺省的运行请求。

锚点可以是上传的素材：用户的角色原画、草图或产品照片可通过 upload_asset 和 upload_asset_complete 上传（参见 scenario），并像任何已批准的主角图一样通过参考字段传入。asset_describe（参见 scenario-asset-analysis）会返回风格综合描述（媒介、配色、光照、构图、氛围），可用于填充枚举内容中的配色和光照条目；子元素清单则通过观察获得，或使用 asset_analyze 并将枚举标题作为指令生成（两者都是目录工具；asset_describe 使用 dry_run 计价）。

系列中的每个项目都需要单独调用一次 model_run：批量数量字段只会重复同一个提示词，无法为每个项目分别附带增量分句。分批启动，并遵守团队的并发上限（scenario 技能中的 parallel-custom-jobs 行）：如果启动请求因 429 被拒绝，就不会创建作业；应在下一批次重新启动，而不是直接跳过。

在没有主体的情况下锁定风格

风格参考与主体参考使用不同的槽位，少数图像模型提供风格参考：撰写时，有一个模型系列支持将一到十张图片作为 styleReferenceImages，并以少量额外费用据此生成私有风格；作业输出会返回可复用的风格 ID，后续运行时通过 styleId 传入，以替代图片（二者互斥），并由 styleMatch 选择 precise 或 flexible 的遵循程度。它锁定的是渲染效果、配色和线条，而非角色：应将其与主体参考搭配使用，或通过基线枚举锁定身份。使用 recommend，并用用户自己的措辞描述风格需求，以查找此类模型成员；随后通过 model_schema_get 确认字段。接收 RGB 三元组（colors）的配色字段只表示偏好，而非约束：也要在提示词中保留十六进制值。

使用控制图锁定结构

生成控制图，并将其作为条件输入。对于需要变化的属性，切勿从原图中提取控制图：从已批准的图像中提取姿势图会锁定你要求更改的姿势；姿势集需要从目标姿势图像中提取控制图，否则就不需要控制图。

asset_detect 接受 asset_id 和一个 modality，可选值为 canny、depth、grayscale、lineart_anime、mlsd、normal、pose、scribble、segmentation、sketch（remove_background 默认为 true）。它仅适用于目录，并且属于写入通道，尽管文档页面将其归在 Analysis 下：请通过 scenario_tool_execute_write 运行。

控制块（controlImage、controlModality、controlStrength、controlStart、controlEnd）仅适用于在 capabilities 中列出 controlnet 的模型：规划时先检查模型是否支持；不支持的模型需要使用参考图像。controlModality 接受 canny、tile、depth、blur、pose、gray 和 low-quality：只有 canny、depth 和 pose 会映射到控制图，grayscale 会变为 gray。controlStrength 默认为 0.7，推荐范围为 0.3 到 0.8：canny、depth 和 tile 接近 0.7，pose、gray 和 blur 为 0.8 到 0.9，高于 0.9 则会非常僵硬。Strength 表示控制程度，controlStart 和 controlEnd 表示控制时机：将 controlEnd 设为接近 0.65，可在前期锁定构图，随后释放控制，让提示词进一步细化细节。

将身份特征延续到视频中

参考图转视频成员会让参考图所示的主体动起来，但不会锁定构图为首帧。目录没有参考图转视频能力值：这些成员标记为 img2video，因此用 capability="img2video" 调用 recommend，并用用户自己的措辞说明一致性需求（“与这些图片中相同的角色”）；然后在 model_schema_get 中确认所选成员带有多槽位 referenceImages 数组（撰写时，领先成员有 7 到 9 个槽位，其中一个是前四个之后的计费槽位），若要复制动作，还要确认有 referenceVideo 或 referenceVideos 槽位（时长上限为 3 到 15 秒不等，有些按上传视频的秒数计费）。若排名结果中没有成员带有该数组，就从视频模型系列技能 scenario-video 列出的系列名称中调用 search。槽位数量对价格的影响小于分辨率和时长：从 model_schema_get 读取这两项的枚举值，其中 cost_impact 会标出它们；先用仍能展示完整动作的最低成本试跑来验证身份一致性，即选择交付时长下的最低分辨率（较短片段会掩盖后期漂移），并先用 dry_run 为试跑载荷和交付载荷分别定价（一个试跑载荷按默认值计价为 80 CU，而不是 130）。通过试跑只能验证制作方案，不能验证试跑结果：交付渲染上线前还要单独全面检查。多个系列中，image（首帧锚点）与参考数组互斥：参考图流程可从免费步骤开始，而固定开场帧则属于不同成员。从素材库填充槽位：按照 scenario-identity-library，使用主视觉图和两三张经过批准的上身实拍图，每张单独上传，绝不使用转面图。若尚无素材库，仅在一个槽位中放入经过批准的主视觉图，也是有效的首次运行（已发布的流程从一张高质量参考图开始）；之后，等上文的图像参考流程中有一张图呈现出清晰的角色视图（中性姿势、没有场景道具：场景静帧会把道具和姿势一并带入槽位）时，再用这些经过批准的静帧填充其余槽位，绝不要从转面图中裁剪。提示动作，而不是外观：有些架构按顺序引用上传内容（“Image 1 转向镜头，动作参考 Video 1”）；另一些则说明主体会在有无提示词的情况下出现；对所有架构而言，重新描述角色都会与图片信息冲突。各系列的约定和提示词语法见视频模型系列技能 scenario-video 列出的内容。检查整个片段中的身份一致性：asset_get 会将 firstFrame 和 lastFrame 作为免费的资源 ID 返回，但若漂移在镜头中途才出现，首尾两帧都可能看不出来，因此片段上线前要用 model_scenario-video-to-image-seq 扫描各帧（固定的第一方 ID：Scenario 的确定性单帧提取器，因此发现流程只会重新推导出它）；每秒约取两帧（frameInterval 是两次提取之间的源帧数整数，取自 asset_get 的片段 frameRate 并减半后四舍五入，24 fps 时为 12；片段通过 video 传入）。这是因为曾有一个片段在 10.5 秒时抽查的单帧看起来正常，但缺陷在 11.0 秒才出现。按子元素逐帧对照基线清单：某个明确列出的部位新增、缺失、变色或变形，都算漂移；随动作移动的部位，例如摆动的斗篷或倾斜的天线，则属于动画效果，可以通过检查。

参考图不再适用的场景

参考图优先是文档规定的顺序，也是成本更低的方式，因此应先充分使用，再考虑训练。当同一个角色会在数百张图片中反复出现、四个或更多身份必须共享场景，或无论主体是什么，每次运行都需要相同的渲染风格时，训练才值得投入。每个反复出现的角色训练一个模型，再为风格单独训练一个模型：同时承载两者的单个模型会在较少见到的那一方上逐渐偏移。多角色场景应合成，而不是共同生成，因为参考图槽位会分散注意力：先以各自的基准单独生成每个身份，再使用 scenario-image-editing 中的编辑工作流将它们放到一起。数据集大小、基座选择和报价后再启动规则见 scenario-model-training。训练出的模型不能通过自身 ID 运行（参见 scenario 中的 runs_as 和 run_with），而且仍需使用基准加增量的提示词：训练减少的是枚举内容，不是对增量进行严格管理的要求。

精灵图集和动画帧是难点：通用图像模型生成的相邻帧在比例、尺寸和轮廓上会发生偏移，而游戏引擎会将这些问题一览无余地呈现出来。同一角色的帧应使用 scenario-sprite-animation 中的视频通道生成，由一次渲染保持身份一致，而不是每帧各生成一次。

示例：一个吉祥物的五种姿势

1. 使用 asset_display 查看已批准的主角（asset_hero），并写下其基准：上文完整列出的所有必须保持不变的要素。
2. 使用任务本身的措辞作为 prompt 调用 recommend（仅在要查找特定系列时使用 search），优先选择支持参考图槽位的模型，然后调用 model_schema_get：确认参考字段的名称、上限、基数和必填状态。架构中没有参考字段就应排除该候选模型：返回排序后的列表；若其中也没有支持参考图的模型（recommend 会为社区微调模型排序，可能漏掉第一方模型），则从同系列的模型技能（scenario-gemini-image、scenario-seedream）中获取系列名称，再用 search 查找。
3. 每种姿势调用一次 model_run，共五次，在并发上限内分批以 wait=false 启动：每次都使用字节完全一致的基准，仅在最后一个子句中描述姿势，并按照架构规定的格式将主角放入参考字段：只有在 array: true 时才使用 ["asset_hero"]。不要设置种子。不要使用控制图：从主角生成的姿势图会锁定原本要改变的姿势。
4. 对每批调用 jobs_wait，并通过 pending_job_ids 再次调用；每当有空位就启动下一种姿势，直到五种全部完成。将每个结果与主角进行对照，并通过收紧枚举内容来修正偏移，而不要串联输出。

常见错误

• 为了让两个提示词匹配而使用种子：它只能复现一次生成结果，不会迁移任何内容。对一组生成任务不要设置种子；只有在重新生成一个提示词完全不变的结果时才设置。
• 写“同上”：不同调用之间没有记忆；每次都要完整重述基准。
• 将一组生成结果串联起来：偏移会不断累积。每个项目都以同一份已批准的基准为锚点。
• 为一次性任务训练模型：单个场景中的单个角色适合使用参考图；上文所述的训练场景适用于大规模反复出现的角色阵容，即每个角色一个模型，风格另用一个模型。
• 误以为 asset_detect 的模态名称都是有效的 controlModality 值。
• 将角色转面图表传入视频或图像的参考图槽位：视频模型会让网格中的内容动起来；对图像模型而言，该图表是用于归档和审核的材料，不是参考图。槽位应接收单张已批准的图像。
• 在图像转视频提示词中重新描述角色：图像负责体现外观；提示词负责描述动作、镜头和时间安排。