MiniMax-H3 Ref2VA Probe

研究路线 / 实验设计

文本与参考视频,
分别怎样改变生成?

用固定状态对照、真实生成干预和配对实验,逐步分清局部预测、最终画面及两种条件的作用。

问题一数值差异是否真由文本造成?
问题二内部变化能否传到视频?
问题三文字和参考在哪里分工?

一、证明文本因果性

同一生成状态下比较文本,并用自替换确定噪声底。

固定状态因果对照 在同一目标状态,分别重算原始文本、自替换、替换另一文本;从数值噪声底判断真正的文本方向效应。 固定目标状态 画面与音频相同 不替换 / 重算 A → A 自替换 B → A 文本替换 超出噪声底? 朝自然文本差异方向?

图中 A / B 只是配对文本的代号,不是已获得的效应大小。

二、连接内部与成片

先定位影响发生的时空区域,再让干预真正进入后续生成。

01 · 时空定位

将速度差映射到帧与空间网格,避免高维平均掩盖局部变化。

02 · 真实轨迹

只对通过对照的少量站点继续生成,而不把诊断读数误作最终效果。

03 · 成片评价

配合有效性检查与盲评,分别看颜色、形状、运动和整体质量。

三、拆开文字与参考

红/蓝文字 × 左/右参考,四格配对后再比较路径作用。

文本与参考视频的条件路径示意 文本进入语义路径;参考视频进入视觉语义路径及视频潜变量路径,再共同影响生成。路径强弱需由干预而非示意图判断。 文本 · 颜色 参考 · 运动 语义路径 文本行 视觉语义行 视频 VAE 路径 共同生成 作用与交互待测 示意路径,不表示已测得路径强弱或注意力流量。
参考 A
向右运动
参考 B
向左运动
文本 A
红色
红 × 右配对条件
红 × 左参考变化
文本 B
蓝色
蓝 × 右文本变化
蓝 × 左双条件变化

同场景、同种子比较;分别在文本、视觉语义、视频 VAE 与参考行上测试。