Prompt Engineering for MiniMax H3：從 246 支成片反推的 previz 轉片模板

先給模板。這份模板用在 MiniMax H3 的參考影片模式，以 Blender previz 當 <Video 1>，格式照 MiniMax 官方的六節。裡面每個寫法都來自 246 支成片的比較：41 個 previz 單元各寫兩版，一版由 MiniMax 付費提示詞優化器產出（V1），一版由 agent 依官方提示詞 skill 撰寫（V2），都跑在三個開源 H3 版本上。為什麼這樣寫，放在模板後面。

模板

正文用英文，這是官方格式的要求。尖括號是要填的地方。這份模板是依下面五條規則組出來的，沒有另外單獨跑過測試。

subject_definitions:
<Subject 1> is <名字>, <3–6 個辨識特徵：髮型、服裝主色、招牌配件> in <Picture 1>.
<Subject 2> is <道具>, <造型、材質、可見標記> in <Picture 2>.
<Subject 3> is <地點>, <牆面與地面材質、光源、時段> in <Picture 3>.
<Video 1> is the <N>-second previz: camera, blocking, action order and contact timing.
<Subject 1>'s proxy in <Video 1> is <顏色>.        （每個角色一行，需要時才寫）

summary:
[reference generation] <一句話：誰做了什麼、結束在哪、最後誰拿著什麼>

retention_analysis:
<Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - identity, outfit and accessories.
<Subject 2> (appears in [Shot 1], [Shot 2]): fully_preserved - shape and materials.
<Video 1> (camera and blocking): fully_preserved - positions, motion and timing.
Start: <起始狀態>. End: <結束狀態>.

detailed_description:
The target video is in <一句風格>.
[Shot 1] <景別與機位>. <這一格看得到的完成表面：材質、光線、時段>. <Subject 1>, <這個景別看得到的特徵>, <在畫面中的位置>, <動作>. At the end of this shot, <誰拿著什麼、在哪>.
[Shot 2] At <previz 切點 MM:SS.mmm>, the shot cuts to <景別與機位>. <同樣寫法>. <切鏡後立刻開始的動作>.

overall_soundscape:
<環境聲與動作聲；沒有台詞就寫 "No dialogue.">

non_diegetic_music:
N/A

送出前的檢查：

• previz 的每個切點都寫成 At 時間，而且和 previz 對得上。
• 每一鏡都以完成的表面開頭，gray、proxy、blockout 這幾個字最多出現一次。
• 沒有任何一鏡要求它的景別拍不到的東西。
• 不想要的東西已經從參考圖裁掉，而不是寫在排除句裡。
• 攝影機看得到的每個物件，都有參考圖或材質描述。

模板為什麼這樣寫

官方格式告訴你東西放在哪裡，卻沒告訴你哪些句子會改變畫面。下面五條規則，來自 V1 和 V2 拍出不同畫面的地方。

規則 1：每個切點都寫成時間

H3 從文字拿切點時間。最清楚的例子是一支在 1.5 秒切鏡的 previz：優化器的提示詞寫 1.1 秒，三個版本都在 1.08–1.21 秒切；官方 skill 寫的提示詞寫 1.75 秒，三個版本都在 1.71–1.75 秒切。同一支影片、兩份文字、兩個切點，沒有一支切在影片的 1.5 秒。

整批來看，以 ±0.25 秒為準，文字有寫的 previz 切點有 43–56% 的成片照切，沒寫的是 6–19%。有五個切點只寫在 V2 裡：V1 的 13 支成片一次都沒在那裡切，V2 切了 4 次。兩版之間其他句子和 seed 也不同，這組數字看方向，不當成比例。

切點時間要從算圖出來的 previz 抄，只看攝影機資料不夠：那個單元的攝影機資料寫 1.75 秒，算圖卻在 1.5 秒切。如果用付費優化器改寫，要拿它的時間和你的清單逐一比對：對照 previz 的攝影機資料，它漏寫了 53 個切點中的 10 個，改了 5 個。完整比較在切點篇。

規則 2：描述完成的表面，不描述 previz

這條是我最難證明、卻最有把握的。V2 提到 gray、proxy、blockout 這類字的次數是 V1 的 2.3 倍（每份提示詞中位數 9 次對 4 次），否定句（not、no、do not）是 5.5 倍。V2 留在畫面上的 previz 也多很多：在快的 QuantFunc 版上，39 個單元裡 13 個留下 previz，V1 只有 3 個。兩版之間改了很多句子，沒辦法把效果歸到單一句。但 V2 一直在描述它不想要的東西，結果就得到了。

所以每一鏡開頭都先寫攝影機看到的完成世界：材質、光源、時段，例如「暖色燈籠光下的濕石板路」。previz 的對應每個角色留一行就好，不用解釋 previz 只是佔位。

沒有參考圖的物件也一樣。一盞做成紅色球體的警示燈，每個版本都畫回一顆上了色的紅球，因為提示詞沒說那是什麼樣的燈。攝影機看得到的東西，都要有參考圖，或一句描述它真實材質的話。細節在previz 殘留篇。

規則 3：每一鏡只寫畫面裝得下的東西

角色定義描述的是整個人，一個鏡頭只拍到一部分。有個單元以一隻眼睛的極特寫開場。V1 先要求這隻眼睛，接著又要求 Kai 站在閘門旁、抱著盒子、部分入鏡。三個版本都把畫面放寬，好把她的臉、盒子和 Kai 都塞進去。

V2 這樣寫同一刻：「The tight image contains the relevant eyelid, iris and nearby facial detail from her reference identity」，接著「While she is framed, <Subject 2> is outside the close-up, still holding <Subject 4> at his side.」三個版本都拍成單眼。

訣竅是把「仍然成立的事」（他在鏡外抱著盒子）和「這一格拍到的東西」（一隻眼睛）分開寫。兩版之間還有好幾句也改了，其中兩個版本切鏡後的畫面留下了 previz。構圖的修正在三個版本上都成立，我現在寫特寫都照這個方式。

規則 4：裁掉參考圖，不寫排除句

有個角色的設定圖裡她抱著一顆足球。她出場的每一份 V2 提示詞都寫了「the football on the sheet is not part of this action」。在一場閘門戲裡，三支 V2 成片有兩支在她腳邊出現了足球；同一場戲的 V1 從頭到尾沒提足球，三支都沒有。我另外檢查了她的三場戲，沒看到足球，所以這只算一個警示案例，不是比例。

另一個案例方向相同。另一個角色的設定圖有白底、名字標題和小姿勢圖。V2 要模型忽略白底、標籤和其他姿勢，仍有一支 V2 成片把整張設定圖的版面貼進了廣場。

設定圖上有不能出現的東西，就從圖上拿掉。裁一張乾淨的單人圖只要一分鐘；寫排除句等於在提示詞裡點名你不想要的東西。

規則 5：寫出每次切鏡之後發生什麼

有段笑點需要三次跳接：同一個角色、固定背景，每次換一個位置，每跳一次都再按一次按鈕。V1 寫了三個位置，三支成片都沒跳出來。V2 補上每次跳接之後的動作：「After the jump, show him lean forward, extend his free hand, and actually touch the button.」三支裡有兩支跳出了三次乾淨的換位。

切鏡要看得懂，切鏡後的那一格就得開始一個新動作。把那個動作告訴 H3。

H3 請求本身的結構（role、參考模式、參數），從 MiniMax H3 提示詞入門開始。

限制

H3 開源工作流一次生成 4–15 秒，長段落要拆成多個單元，每個單元都要重寫自己的起始狀態。有些效果不管怎麼寫都在每種條件下失敗：定格、dolly zoom、變速。那些應該在剪輯裡做，見提示詞與量化篇。V1 和 V2 同時差了很多地方，每支成片又各用隨機 seed，所以上面的規則建立在跨單元一致的規律上，不是單句實驗。

完整的實驗設定見系列開場。