2026年8月28日视频模型 AI 创作

放一张参考图，视频被拒的概率变成 13 倍

在思畅生成视频，你有四种起手式：只给文字（文生视频）、给一张图（图生视频）、给若干张参考图（参考图生视频）、给一段已有的视频往后接（视频续写）。

近 60 天这四条链路一共跑了 3,945 个任务。把它们的内容拦截率摆在一起，差距大到不像是同一个产品：

31.9% 对 2.4%——13 倍。

用参考图做视频，三次里有一次会被上游直接拒掉。而同样的内容改用图生视频，这个概率是四十分之一。

先排除一个可能：这不是我们自己的锅

看到这种数字，第一反应应该是怀疑统计口径。所以先把口径讲透。

视频任务失败有三类成因，混在一起统计就是一笔糊涂账：

上面那张表只统计第一类。

如果你担心是我们把自己的 bug 算到了参考图头上，可以看剔除第三类之后的总失败率：参考图生视频 41.4%，图生视频 8.6%。差距依然在，而且依然悬殊。

另外，思畅自己的安全审核（只针对涉未成年人性化内容那一条红线）在链路更早的位置就返回了，不会写进这张表。所以每一次拦截都是上游的判断。

数据只说差了 13 倍，不说为什么。下面是我们认为最站得住的解释，但它是假说：

参考图上通常有一张清晰的、可辨认的真人脸。

对上游的审核系统来说，「一段越界的描述」和「一段越界的描述 + 一个具体的真实人物」是两个风险等级完全不同的东西。后者直接指向肖像滥用这类最敏感的场景，阈值收得比什么都紧。

图生视频虽然也传图，但它传的通常是已经生成好的图——风格化的、AI 产物的、审核系统见得多的那一类。参考图这条链路的典型用法恰恰相反：用户传的是真人照片，目的就是让视频里的人长得像那个人。

换句话说，被拦的不是你的提示词，是你的意图在审核眼里的样子。

三条，按有效性排序：

一、能用图生视频就别用参考图。 如果你的目标只是「让这张图动起来」，那本来就该走图生视频——它便宜、快、拦截率四十分之一。参考图链路是为「让视频里的角色长得像这几张图里的人」准备的，不是通用入口。

二、参考图先过一道生成。 与其直接传真人照片，不如先在图片生成里把它转成风格化的图，再拿转出来的结果去做视频。多一步，但拦截率的档位完全不一样。

三、撞墙了就换链路，别反复重试同一条。 上游的判定对同一组输入是相当稳定的——同样的图和词再交一次，大概率还是拒。换个起手式比换个说法有用得多。

把 31.9% 这个数字公开出来，我们内部讨论过会不会吓退人。结论是不会——因为你撞上的这三分之一，一个积分都不会扣（这一点的具体口径见文末）。

真正劝退的从来不是失败率，是不知道自己为什么失败、也不知道该怎么办。