Gemini 4影视实测：从提示词到视频拆解（附横评和使用教程）

基于 Google 官方主视觉二次设计。

10月13日，Google 宣布将 Gemini 4 Argon 引入 Gemini 和 Google AI Studio 应用，同时向开发者开放。距离10月1日首次公布模型、先向部分网络安全团队提供访问，已过去近两周。对希望把新模型接入工作流的人来说，这次更新终于到了可以动手实测的阶段。

官方介绍中，Argon 的重点是复杂任务、多步推理和专业工作。放到影视创作场景来看，值得留意的是：它能够接收图像、音频和视频，并以文字作答。也就是说，一段创意、一张分镜草图、一条参考片，都可以成为与它讨论镜头的起点。
 

数据来自 Google 2026年10月模型卡，由本文重绘，未独立复现。

在官方公布的 LVBench 项目中，Argon 为91.7%，表中 GPT-6 Astra 为87.5%；Chartography 一项分别为71.6%和71.0%。LVBench 考察长视频理解与信息提取，这让人很想拿一条片子实际测试。不过，回答视频里的问题，与准确拆出每个镜头、再写成可用的生成提示词之间，仍有一段距离。官方评测结果 · LVBench项目说明
 

本文想弄清楚的是：Gemini 这次更新，能如何帮助影视从业者，把脑中的镜头和手里的参考素材，转化为下一步可用的创作材料？
 

做分镜或前期提案时，我们可能已经知道画面要表达什么，却还没有把人物位置、动作顺序和机位想完整。准备 AI 预演时，这些含糊之处又会进入提示词，变成下一轮需要修改的画面。找参考片也类似：能看出它好看，却未必马上说得清，值得借鉴的究竟是用光、构图，还是切镜节奏。
 

因此这次，我把问题放进两个具体环节。先给 Gemini 和 DeepSeek 同样的四个场景，让它们写图片提示词、视频提示词，再实际生成，观察文字中的安排落到画面上会发生什么。随后，把一条一分钟成片交给 Gemini，尝试从中整理镜头、提取视觉方法，再换成原创题材。两条路都走一遍，才有机会看清它在哪一步帮上了忙，哪些判断仍要由创作者拿回来。
 

先从一个有点离奇的念头开始：深夜的自助洗衣店里，一个人打开滚筒洗衣机。门里是一片微型海洋，一条鲸鱼从里面游出来，最后变成白色纸鲸，落进他的掌心。
 

这个小故事几句话就讲完了。真要做成镜头，就得确定人站在哪边、鲸鱼多大、海水会不会流出来、变成纸的动作放在哪一秒，这些都需要有人作决定。我想看看，把这个念头交给 Gemini 后，它补上的细节会怎样改变最终画面。
 

让两位文字助手，面对同一组镜头

2026年10月14日，我在 Google AI Studio 使用的是 Gemini 4 Argon，模型ID为 gemini-4-argon，思考等级 Medium。DeepSeek 使用的是官方网页端的深度思考模式，页面没有显示具体底层版本。
 

实测页面：右侧为模型与思考设置，左侧为原始回复。

两家收到完全相同的四道题：洗衣机里游出鲸鱼、骑车接橙子、水带绕香水瓶、电影院里慢半拍的影子。要求它们为每道题各交一条图片提示词、一条11秒视频提示词，以及三条验收标准。

这里先确定两个环节：Gemini 负责理解素材、写提示词，真正的图像和视频交给生成工具。按 Google 模型卡，Argon 能接收文本、图像、音频和视频，输出文本；本文中的图片与短片由另外的生成工具完成。Google DeepMind 模型卡

测试环节与实际做法如下：提示词方面，两家原始回复直接进入生成，没有替任何一方润色；图片方面，使用同一个图像生成工具，每家每场景1张，共8张；视频方面，使用即梦 CLI 的 Seedance 2.0 VIP入口，每家每场景1条，共8条，请求720P、16:9、11秒；视频输入采用独立文生视频，没有拿前面的图片当首帧；反推方面，将61秒成片完整上传 Gemini，再用下载的原片抽帧核对。

两家都交出了完整回复。Gemini 第一次请求显示“Prohibited content”，原题原设置重试后才成功，这次异常保留在测试记录里。

每个场景只有一次正式生成，没有统一随机种子，也没有重抽到满意为止。因此本文更像一次把想法做出来的试验：遇到差异，就回去查它从哪里开始。不能用这几个样本推算模型的稳定成功率。原始提示词放在对应画面后面，读到有意思的地方，可以顺手看它当时是怎么写的。

图片表现：关于关键性瞬间

洗衣机打开以后，鲸鱼该停在什么状态

先把开头那段小故事停下来。图片不必一次讲完游出、变形和落掌，题面指定的是中间一刻：鲸鱼的半个身子穿过机门，另一半还留在门里的海洋中。

这个位置很有意思。它让观众同时看见日常的洗衣店和不可能出现的海洋，又把“接下来会发生什么”留给后面的镜头。
 

Gemini 把位置写得很具体：“前半身已探入洗衣店空气中，后半身仍在门内海水中。”生成图里，男子在右，鲸鱼从左边机门探出来，地面是干的。
 

DeepSeek 则把游出和折纸变形写进了同一张图，还加了“地面有浅水反光”。于是画面更张扬，鲸鱼更大，折纸已经展开，水也从门里流了出来。
 

把两张并在一起，能看到同一个念头分出了两种走向：一张让鲸鱼刚刚进入现实，另一张把变形也提前摆了出来。区别在生成之前就已经出现，回读提示词就能找到。
 

至于地上的水，原题只说“不能淹没店铺”，并没有要求一滴都不能流出来。看过这两种处理后，如果我想保留干燥地面，就知道下一版该补“海水止于门框”。先做一次，才看清原来那句要求还留了多少解释空间。两个模型对于状态的理解完全不同，Gemini 要的是更抽象的场景，DeepSeek 做的感觉更逼真。
 

本轮图片提示词 · 原始回复

Gemini 4 Argon

16:9画幅，真实室内摄影质感。深夜安静的自助洗衣店，冷白日光灯管照明，地面干燥整洁。画面偏左是一台银色滚筒洗衣机，圆形机门向一侧敞开，机门内部不是滚筒，而是深邃蔚蓝、泛着微光的完整微型海洋，海水被无形边界约束在门框内，未溢出。一名穿红色粗针织毛衣的成年男子站在洗衣机右侧，侧身面向机门并伸出双手。一条缩微座头鲸正从圆形机门内向外游出，前半身已探入洗衣店空气中，后半身仍在门内海水中。

DeepSeek

16:9横构图，深夜自助洗衣店，白色日光灯照亮一排滚筒洗衣机与投币机，地面有浅水反光但不淹没店铺。一名穿红毛衣的成年男子站在画面右侧一台打开的洗衣机旁，双手在圆形机门前方张开。机门内是完整的微型海洋，深蓝海水与浪花在门框中涌动，一条鲸鱼半身穿出圆门，身体正由实体转为半透明的纸折形态，折痕清晰。其余机器保持真实摄影质感，场景内无文字与标识。

场景二换成街头动作，是否需要更加精细的提示词

鲸鱼可以靠超现实设定吸引人。换成骑车接橙子这种能在现实里想象出来的动作，我想看看两家怎样处理身体、道具和运动方向。

题面要求女快递员从画面左侧向右骑，右手扶车把，左手接橙子，图片停在手指碰到橙子之前。
 

两张图里的人都动起来了。身体倾斜，橙子悬在空中，雨衣和车轮也有运动趋势。DeepSeek 加了黄昏路灯，Gemini 更接近阴天街头抓拍。
 

等我按人物身体朝向去认左右手，就发现两张都伸出了人物自身的右手。车也朝镜头斜着驶来，没有清楚保持题面要求的横向运动。画面里还多了未要求的配送品牌标识。
 

再看 DeepSeek 的文字，它加了一句“篮里已有几只橙子”。如果后面还要拍入篮特写，就得额外证明：篮子里多出来的，确实是刚刚接住的那一颗。一个用来丰富画面的细节，也给后续剪辑做了铺垫。

本轮图片提示词 · 原始回复

Gemini 4 Argon

16:9画幅，写实街景抓拍。雨后老旧街道，地面湿润有浅水洼，左侧有路边水果摊。一位穿明黄色雨衣的成年女快递员骑着带前车篮的自行车，正由画面左侧向右侧快速行进。她右手稳稳握住右侧车把控制方向，身体向右前方倾侧下探，伸出的左手五指张开，指尖距离从路边摊滚落、正在半空弹跳的一个鲜亮橙子仅有几厘米，呈现即将触碰的瞬间张力。车轮溅起细小水花，人物重心与衣物褶皱符合惯性，神情专注自然。

DeepSeek

16:9横构图，雨后黄昏的旧街，湿沥青路面映着暖黄路灯与斑驳店招。一位穿黄色雨衣的成年女快递员骑自行车由画面左侧向右侧行进，身体前倾，右手稳握车把，左手向左后方伸展，指尖即将触到从路边水果摊滚落、悬在半空的橙子，橙子表面带水珠。摊主的水果筐在画面左侧，车前铁篮里已有几只橙子。背景行人车辆轻微虚化，主体动作清晰有动势，自然抓拍感而非摆拍。
 

再试试产品镜头和悬疑画面

另外两道题把注意力从人物接物换到了材质和动作关系上。先看香水本体，两家都给出了单瓶、琥珀玻璃、暖色逆光和透明水带。Gemini 限定水带低于瓶肩，成图接近水平环绕；DeepSeek 写了水带末端散成水滴，成图更像向上舒展的螺旋。这两种设计都说得通。

不过题目还要求水最后落回石台。看一张图当然查不出这件事，得等视频动起来。

本轮图片提示词 · 原始回复

Gemini 4 Argon

16:9画幅，暗调商业静物摄影质感。黑色哑光石台中央稳稳立着一瓶无任何商标和文字的琥珀色透明玻璃香水，方形厚底瓶身配深色几何瓶盖。背景为深暗色，后方暖色逆光穿透琥珀色液体，在石台上投出温暖光斑。一条晶莹的透明水丝带正腾空环绕在玻璃瓶身中部一周，水流形态流畅连贯，水丝带高度严格低于瓶肩，完全没有遮挡住上方的瓶盖，水流内部呈现真实的暖光折射与高光反射。

DeepSeek

16:9横构图，黑色石台位于画面中央，台上只有一瓶无商标的琥珀色玻璃香水，瓶形与瓶盖造型固定不变。一条由透明水构成的丝带自台面升起，环绕瓶身一周，水带边缘清晰，折射暖色逆光，未遮挡瓶盖；水带末端正散成细小水滴，悬在瓶身两侧。暖色逆光从瓶后打出，玻璃内琥珀液体透亮，石台表面留有水珠与倒影，背景深暗干净，画面无任何文字与标识。
 

再把场景换到电影院。这次不需要复杂道具，只想试一个很小的异常：人已经放下手，影子还举着。观众能不能察觉不对劲，要看这两个动作有没有分开。

Gemini 写“真人双臂下垂、影子单手高举”，成图里能直接看到这层关系。DeepSeek 写成“右手举着手电、左手放下”，真人仍在抬手，影子的异常就不够显眼。这个测试确实比较底层。

顺着画面往文字里找，能发现 DeepSeek 改动了题面中的动作。这也给后续修改提供了一个入口：先把真人放手这件事写清楚，再试图像工具是否能把两者区分开。

本轮图片提示词 · 原始回复

Gemini 4 Argon

16:9画幅，冷调悬疑电影质感。停电的昏暗老式电影院，前排红色绒布座椅隐约可见。画面中央偏前，一位穿深蓝色制服的成年女放映员背对观众站立在白色大银幕前，她双臂已自然下垂放在身侧，右手握着亮起的手电筒朝向地面偏前侧。在前方巨大的白色银幕上，投射出她自己清晰的黑色人影轮廓，但银幕上的影子依然保持着单手高高举起的动作，与真人已放下的手臂形成鲜明错位。画面内仅有她一位真人，空间前后关系明确。

DeepSeek

16:9横构图，停电的老式电影院，观众席昏暗空荡，只有银幕泛着冷白微光。一位穿深蓝制服的成年女放映员站在银幕正前方，右手举着手电，光束斜打在银幕上，她已放下左手；银幕上的人影与她是同一轮廓，却仍举着手臂，动作比她慢一拍。她的身体微微转向，头部正欲回望银幕。画面中只有她一位真人，空间关系清楚，银幕、光斑与座椅位置稳定，无文字标识。

接下来，让这些画面动起来

看完图片，再把两家的文字分别送进 Seedance 2.0。Gemini 四条都选择了单镜头，DeepSeek 四条都分成了两个镜头。这给了我们两种观察方式：一直跟着人物看完整动作，或切到近景看关键细节。它们各自会把注意力带到哪里，可以从样片里慢慢看。

下面每组已经合成一条视频，上方是 Gemini，下方是 DeepSeek，从零秒同步播放。两边完整画幅都保留，对比版静音；原片入口在视频下方。由于生成动作的节奏不同，同一秒并不一定是同一阶段。

鲸鱼能顺利游出来，再落进掌心吗

图片已经选定了一个瞬间，视频还得把前后接起来：门打开，鲸鱼游出，变成折纸，落入掌心。先看这段过程在两条样片里怎样发生。

视频位置：粘贴后可上传对应场景的上下对比MP4。

上：Gemini 4 Argon　下：DeepSeek · 同步播放 · 静音对比。下载合成视频 · 原片：Gemini / DeepSeek

Gemini 保住了冷色夜景、男子在机器右侧、鲸鱼游出后落到掌心这些关系。等它落下来，白色折纸却更像纸船，鲸尾和鱼鳍不够清楚。

DeepSeek 这条的纸鲸轮廓更容易辨认，变形到落掌也接得上。再看环境，洗衣店里是明亮窗光，深夜不见了。回头查提示词，它的视频版本本来就漏写了深夜。

两条都把“鲸鱼从机器里游出来”这个念头做成了连续画面，只是到了结尾，需要关注的细节变了。静帧时看鲸鱼停在哪里，视频里还要看变形之后能不能认出它。下一版如果要沿用这个创意，就可以分别补纸鲸轮廓和深夜环境，再试一次。

本轮视频提示词 · 原始回复

Gemini 4 Argon

720P，16:9画幅，时长11秒，单镜头中景缓推，无字幕、无标识、无对白。深夜真实质感的自助洗衣店，冷色调照明。0—3秒：一名穿红色毛衣的成年男子站在滚筒洗衣机右侧，伸手拉开圆形洗衣机门，机门内部显现出幽深波动的微型海洋，海水受无形屏障限制，完全没有流到洗衣店地面上。3—7秒：一条微型鲸鱼从门内的海洋中摆尾游出，前半身穿过圆形机门进入空气中，男子退后半步，始终保持在洗衣机右侧，双手平伸并张开手掌迎接。7—11秒：鲸鱼完全脱离机门游至男子手掌上方，在空中瞬间转化为一只白色折纸鲸鱼，轻轻落入他张开的掌心，洗衣机门内的海洋平静发光，店铺地面始终干爽。

DeepSeek

720P，16:9，11秒，无字幕无标识无对白。0—3秒：镜头1，洗衣店中景，穿红毛衣的成年男子站在画面右侧洗衣机旁，拉开圆形机门，门内立刻显出一片完整微型海洋，海水在门框内涌动，不溢出到店面地面。3—7秒：镜头1继续，一条鲸鱼从门内游出，身体穿过门框时逐渐收拢，转为半透明的纸折鲸，折痕一格格显现。7—11秒：切至镜头2，男子掌心近景，纸折鲸轻轻落在他张开的手掌上，翅膀般的鳍微微颤动，海水仍在机门内起伏，男子始终站在洗衣机右侧，店内环境未被水淹没。

接橙子的几个动作，能不能接在一起

视频位置：粘贴后可上传对应场景的上下对比MP4。

上：Gemini 4 Argon　下：DeepSeek · 同步播放 · 静音对比。下载合成视频 · 原片：Gemini / DeepSeek

Gemini 这条能看到接起橙子、放进前篮，过程大体连贯。往前多看一点，橙子已经在地面附近弹跳，没有做到它自己写的“落地前接住”。到结尾，摄影机又从侧面跟拍转到背后，看着人物骑远。

DeepSeek 也接住了橙子，最后还切到车篮近景，入篮这一下很清楚。不过开头的自行车朝画面左边走，与原题相反；篮里原有的几颗橙子，也一起保留了下来。

如果只看“接到了没有”，两条都能交代。真要接进一段已经确定左右方向的追逐戏，就得先处理走向。否则这边往右追，下一个镜头突然往左骑，观众会重新判断人去了哪里。

本轮视频提示词 · 原始回复

Gemini 4 Argon

720P，16:9画幅，时长11秒，单镜头侧面跟拍，无字幕、无标识、无对白。雨后潮湿的旧街道，路边有水果摊。0—3秒：穿明黄色雨衣的成年女快递员骑着带前车篮的自行车，从画面左侧向右侧快速冲过湿滑路面，右手稳握车把，路边摊上一个橙子意外滚落并向地面弹跳。3—7秒：自行车保持由左向右行进，女快递员迅速侧身下探，右手依然控制车把，伸出左手在橙子落地前精准将其一把接住，车身在湿地上轻微晃动后迅速恢复平衡。7—11秒：女快递员坐直身体继续向右骑行，左手顺势抬起，将接住的这颗橙子稳稳放进车把前方的车篮里，随后双手扶把平稳驶向街道右侧前方。

DeepSeek

720P，16:9，11秒，无字幕无标识无对白。0—3秒：镜头1，侧面跟拍，穿黄色雨衣的女快递员骑自行车自画面左向右匀速行进，右手握车把，雨后旧街路面湿滑反光，路边水果摊一只橙子滚落，悬空翻滚。3—7秒：镜头1继续，她侧身向左后方伸出左手，掌心迎向橙子，指尖接触后收拢手指稳稳接住，自行车保持直行不歪斜。7—11秒：切至镜头2，车前铁篮俯视近景，橙子被轻轻放入篮中，与原有橙子相碰轻晃，她右手仍握在车把上，车轮碾过浅水带起水花，画面停在篮子轻晃的一刻。

水落下的时候，摄影机该留在哪里

视频位置：粘贴后可上传对应场景的上下对比MP4。

上：Gemini 4 Argon　下：DeepSeek · 同步播放 · 静音对比。下载合成视频 · 原片：Gemini / DeepSeek

两条都有水带环绕、散成水滴、落回台面的过程。Gemini 一直保留整瓶，容易跟着水流往下看，不过原题的一周被绕成了多层螺旋。

DeepSeek 在末段切到瓶底和桌面。水滴怎样落下、铺成水膜，这个近景比全景交代得细。但瓶盖已经出了画面，没法同时检查整瓶外形有没有变化。

如果这段广告最想展示落水质感，切近景有用；如果验收要求是整瓶始终可见，就得保留更宽的景别。这个选择最好在写分镜时就做完。

本轮视频提示词 · 原始回复

Gemini 4 Argon

720P，16:9画幅，时长11秒，单镜头特写固定机位，无字幕、无标识、无对白。暗色背景前，黑色哑光石台中央放着一瓶无商标、无文字的方形琥珀色玻璃香水，后方暖色逆光照明。0—3秒：香水瓶固定不动，一股透明水流从石台一侧腾空升起，化作一条晶莹的丝带，开始向琥珀色瓶身中部靠拢，暖光穿透水流与瓶体产生真实折射。3—7秒：透明水丝带流畅地环绕瓶身中部完整一周，水流高度控制在瓶肩以下，丝毫没有遮挡上方的深色几何瓶盖，瓶身保持原位静止。7—11秒：环绕瓶身的水丝带在空中失去张力，瞬间散开成数十颗晶莹的独立水滴，受重力作用纷纷垂直坠落，全部落回黑色石台表面并散开成细小水迹，香水瓶依然稳固如初。

DeepSeek

720P，16:9，11秒，无字幕无标识无对白。0—3秒：镜头1，固定机位正面拍摄黑色石台中央的琥珀色玻璃香水瓶，一条透明水带从石台表面升起，缓缓环绕瓶身一周，水带边缘清晰，瓶盖始终裸露不被遮挡。3—7秒：镜头1继续，水带在瓶身前方断开，散成许多细小水滴，悬停并缓慢下落，瓶子全程静止不动，只有一瓶。7—11秒：切至镜头2，稍低角度近景，所有水滴依次落回黑色石台表面，溅起细小水花并汇成薄薄水膜，香水瓶、瓶盖与石台位置保持不变，暖色逆光持续。

影子慢半拍，会怎样出现在视频里

视频位置：粘贴后可上传对应场景的上下对比MP4。

上：Gemini 4 Argon　下：DeepSeek · 同步播放 · 静音对比。下载合成视频 · 原片：Gemini / DeepSeek

Gemini 的静帧里，真人放手、影子举手，异常很明确。换成视频，大约6至11秒，真人和影子都举着手。“人不动，影子自己动”的关系没有成立。

DeepSeek 这条在约6至7秒留下了更清楚的错位：真人手臂已经放下，影子仍在上抬，后面还有惊讶和回头。它同样没有完全按题面来，前段人物朝镜头走，没有走向银幕。

回到这道题最初的念头，真正吸引人的是人和影子分开行动的那一小段。DeepSeek 这条样片留下了可以继续琢磨的瞬间，Gemini 的文字则给出了清楚的动作对照。继续制作时，可以分别从这两处寻找修改方向，但仍需要新一轮生成来检验。

本轮视频提示词 · 原始回复

Gemini 4 Argon

720P，16:9画幅，时长11秒，单镜头中全景固定机位，无字幕、无标识、无对白。停电的黑暗老式电影院，仅靠手电筒光源照明。0—3秒：一位穿深蓝制服的成年女放映员独自走到白色大银幕前，她抬起手臂用强光手电扫过银幕，光束在银幕上投出她自己的黑色影子，但影子的移动与抬手动作明显比她的真实动作慢一拍。3—7秒：女放映员停下脚步并把举着的手臂完全放回身侧，然而银幕上属于她同一轮廓的黑色人影却没有停下，仍在滞后地继续向上抬起手臂。7—11秒：女放映员察觉到银幕上高举手臂的影子与自己静止下垂的姿态不符，身体一僵，保持手臂下垂姿势，惊愕地转过头看向身侧后方，银幕上的影子定格在举手状态。

DeepSeek

720P，16:9，11秒，无字幕无标识无对白。0—3秒：镜头1，停电影院全景，穿深蓝制服的成年女放映员举着手电从观众席通道走向银幕，手电光束扫过银幕表面，银幕上随即出现与她同轮廓的人影。3—7秒：镜头1继续，她在银幕前停下并放下手臂，手电光斑稳定；银幕上的人影动作明显滞后，仍举着手臂，随后继续缓慢抬手，与她当前姿态不一致。7—11秒：切至镜头2，她的近景，她察觉异常，头部与上身向左后方转回望向银幕，手电光束随之扫过，银幕上的人影仍保持举手轮廓，画面中始终只有她一位真人。

换个方向：让它看一条成片，能反推出什么

前面是从一句想法往画面走。另一种常见的起点，是先看见一条喜欢的片子，却一时说不清自己喜欢它哪里。

为了试这条路，我选了 Curious Refuge 在2023年发布的《Star Wars by Wes Anderson Trailer｜The Galactic Menagerie》。下载文件约61秒，2026年10月14日读取到的 YouTube 播放量是3,288,315次。观看原片

片子里有薄荷绿和暖橙色的长廊、球形建筑的剖面，还有接连闪过的道具和人物肖像。我想知道，Gemini 能不能把这些反复出现的视觉选择讲清楚，让我们换一个故事也有办法使用。这里借它研究构图与节奏，不用它代表今天的视频生成水平。
 

我完整上传给 Gemini，要求它把“画面里看见了什么”和“自己推测了什么”分开，也不要猜摄影机、焦距、生成模型和作者真正用过的提示词。

它给了一份38行的镜头表。长廊的中心透视、球形建筑的剖面、反复出现的人物肖像卡，都被整理成了文字。这部分确实省去了从空白表格起步的工夫。它也明确说，无法恢复作者真正输入的原始提示词。
 

有了这份表格，就可以挑具体镜头继续看。我重点回查了道具数量、机位和快速剪辑段，这些细节会影响下一步怎样写提示词。对照时，有三处需要修正：

下载文件中的位置：约30.00秒；Gemini 写“一把拼色玩具枪状物”；回看原片发现画面上下有两把道具枪，颜色描述也不一致。
 

约32.95秒：Gemini 写“90度俯拍，零件按网格平铺”；回看原片发现能看见零件的正面与侧面，是斜视角陈列，也没有排成规则网格。

约44.50至45.21秒：Gemini 没有单独记录；回看原片发现有一段红色机器人与“STARRING”字样的短镜头。
 

原片抽帧，来源：Curious Refuge。零件的正面、侧面与高度都可见。

零件这一镜头，正好可以再往前试一步。Gemini 把它改写成了“太空邮局工具”，里面保留着“垂直俯拍、严格网格”。我用这段提示词原样生成，想看看这些判断会怎样体现在新画面里。
 

按反推后的改写提示词生成。它可以作为新的创意图使用，但机位与原片不同。

生成图里的工具排列很整齐，薄荷绿和金属色也都保住了，可以沿着这个方向继续发展新的场景。再把它放回原片旁边，机位的差别就很明显：原片斜着看这堆零件，新图从正上方往下看。

如果想借的是配色，这次改写有参考价值；如果想学的是原片的空间感，就需要先修正“俯拍”。反推之后要保留什么，仍然得由创作者自己挑。
 

首轮镜头表没有单列的红色机器人，约出现在44.50至45.21秒。

漏掉的这一段只有约0.7秒。自动切点检测加区间抽帧找到了39个非黑画面段，Gemini 给的是38行。检测本身也要人工复核，这个差异提供了一个值得回看的位置：快速段落里，还有没有类似的短镜头被合并进相邻记录。

文末附上它的完整回复，包括38条镜头记录、三组原创改写提示词，以及它自己列出的待确认点。上面查出的错误也保留在原文里，方便对着看。
 

带着这轮发现，下一次可以怎么试

回到开头那个问题，走完从想法到画面、再从参考片回到提示词这两条路，我更愿意先把 Gemini 放在分镜准备和参考分析的位置。它能把场景展开成位置、动作和时间安排，也能为参考片搭起一份可检索的镜头表。做前期提案或 AI 预演时，这些材料可以拿来讨论、试做，再逐条修改。不过，这轮没有记录工时，也没有进入真实项目交付，能省下多少时间还不能下结论。拿着这些文字去生成、去回看，才能发现哪些细节还没有想清楚。
 

比如鲸鱼，是半身探出来，还是已经开始折成纸；接橙子时，究竟是哪只手，车往哪边走，篮里原本有没有水果。这些事没有定下来，提示词写得再长，后面也很难判断该改哪里。

下面这段是根据本次失误整理的通用指令。它还没有作为新一轮对照样本复测，可以从这里起步：

你是我的分镜助理。先把创意拆成可观察的画面，不增加人物和关键道具。

输出四部分：①主体、数量与固定空间关系；②图片只保留的一个关键瞬间；③11秒视频中，0至3秒、3至7秒、7至11秒各发生什么，分别说明人物动作和摄影机动作；④三条可以逐帧验收的标准。

检查同一件道具是否从起点连续到终点，是否把前后两个阶段塞进同一张静帧。发现左右手、光源或视线关系矛盾时，指出矛盾并给一个改法，再补风格描述。

拿参考片来反推时，我会先让它看完整结构，再单独处理那些短而密的段落。第一次有了全片概览，第二次就可以带着具体问题回去查：这里有几件东西，摄影机在哪，哪一帧发生了切换。

仅依据我提供的视频分析，不调用对该作品的记忆补全。逐镜写出起止时间、可见主体与数量、人物动作、机位和镜头运动、构图、主色、光线及转场。

把可见事实、推测、无法确认分开。遇到不足1秒的画面仍单独列出；若无法准确分镜，标注需要人工复查的时间段。不要从画面猜摄影机、焦距、生成模型或作者原始提示词。

最后选三个视觉方法，换成原创题材写图片和视频提示词。说明保留了哪些构图与节奏、替换了哪些人物和道具。改写之后能生成漂亮画面，不代表前面的识别已经正确。

还有些问题，得先改自己的题面。这次影子题里，手电握在人物身前，却要求它把人的完整轮廓投到前方银幕，光路本身就没交代清楚。要拍写实悬疑，可以在人物身后另设投影光源；要拍超自然现象，就说明银幕上是独立运动的人形投影。不能把这个含糊之处全交给模型猜。

至于一条镜头里同时骑车、接物、放物、转机位，可以先少做一件事：把摄影机固定在侧面，确认动作接得上，再加运镜。需要切近景时，就把切点放在动作完成以后，让前后镜头仍能认出同一件道具。这些是下一轮值得试的改法，效果还得重新生成才知道。

如果继续做开头那条鲸鱼短片，我会先保留“海水止于机门”的设定，把纸鲸的尾巴和鱼鳍写得更具体，再看看它落进掌心以后，能不能一眼被认出来。这是这轮测试留下的下一个问题，还没有新样片替它作答。

从一个洗衣机里藏着海洋的念头出发，两家给出了不同的细节，生成器又做出了不同的画面。对我来说，有意思的正是来回对照的过程：有些补充让故事更好看，有些地方需要收回来，而下一版该怎么写，也渐渐有了着落。

附录：Gemini的完整反推结果

以下是本次上传61秒原片后得到的原始回复，保留内容，整理成9张按顺序阅读的长图。里面的机位、数量和切点有上文指出的错误；“画面可见事实”等分类也是模型自己的标注，不代表已全部核实。

下载全部9张反推长图 · 下载反推原文 · 单独打开反推报告
 

01/09 · 完整镜头表 · 01—08

02/09 · 完整镜头表 · 09—16

03/09 · 完整镜头表 · 17—24

后续还有更加详细的分析，这里就不一一列出了。总而言之，Gemini 的多模态依旧是多模态模型中的断档领先。本次测试以画面生成与分析为主，后续会对写作能力进一步进行评价。感兴趣的小伙伴欢迎一键三连，我们下期再见！

原始材料

两家全部提示词与验收标准；完整统一题面；四组上下对比视频与原片；四个场景的修改建议，尚未复测；实测条件、异常与方法边界；Google DeepMind 模型卡；Curious Refuge 原始视频。