1. 为什么 Ref2VA 的提示词不能照搬文生视频那套写法刚接触 MiniMax H3 全参考模式Ref2VA的人十有八九会踩同一个坑把之前写文生视频的提示词直接复制过来结果生成出来的画面跟参考图八竿子打不着或者人物脸崩、服装串色、场景漂移。我一开始也这么干过折腾了大半天才反应过来——Ref2VA 的底层逻辑跟纯文生视频根本不是一回事。Ref2VA 里的 Ref 指的是 Reference也就是参考。这个模式的核心是你给它一张或多张参考图它要做的不是凭空画而是照着参考去演。所以提示词的任务变了从描述我要什么画面变成了告诉模型参考图里的哪些元素要保留、哪些要变化、怎么变。这个思维转换如果没完成后面写再多字都是白费。打个生活化的比方。纯文生视频像是你跟一个画师说画个穿红裙子的女孩在雨中奔跑画师自由发挥。而 Ref2VA 像是你拿着一张照片跟画师说就照这个女孩画裙子换成蓝色背景从室内换到雨中动作改成奔跑。后者的指令必须包含保留什么和改变什么两个部分缺一不可。这就是为什么 Ref2VA 需要一套专门的提示词改写格式。它要解决的核心问题是在参考图约束和文本创意之间找到精确的平衡点。参考标签负责锚定不能动的部分六段结构负责组织要动的部分而保留分析则是贯穿始终的判断依据。我实测下来用对格式和用错格式的差距非常明显。同一张参考图随手写的提示词生成出来人物五官偏移、衣服纹理糊成一团换成规范格式后人物一致性肉眼可见地提升服装细节也能稳住。这不是玄学是格式本身在引导模型正确分配注意力。下面我会把这套格式拆开讲透包括参考标签怎么打、六段结构每段写什么、保留分析怎么做以及我在实操中踩过的那些坑。2. 参考标签给模型划出不许动的红线2.1 参考标签到底在标记什么参考标签Reference Tag是 Ref2VA 提示词里最基础也最容易被忽视的部分。它的作用说白了就是给参考图里的元素点名告诉模型这几个东西是锚点生成时必须保持一致。很多人以为参考标签就是简单写一句参考图1中的人物这远远不够。模型需要知道你到底要它锁定什么——是脸型、发型、服装、配色还是整体构图不同的锁定目标标签的写法完全不同。我习惯把参考标签分成三个层级来理解主体级标签锁定人物的身份特征包括脸型、五官比例、发型、肤色。这是最高优先级的锚点一旦漂移整个画面就废了。服饰级标签锁定服装的款式、颜色、材质、图案。这部分允许一定程度的动态变化比如衣服随动作飘动但款式和配色不能变。环境级标签锁定背景的空间结构、色调、光影方向。环境可以换但如果要保留原场景氛围就得明确标出来。2.2 参考标签的写法规范参考标签不是随便写句话就行它有一套约定俗成的写法。我总结下来是编号 元素类型 具体特征三段式。比如你有一张参考图里面是一个穿白色衬衫的短发女性站在窗边。规范的参考标签应该这样写[Ref1-主体] 短发女性齐耳长度深棕色发色鹅蛋脸型单眼皮 [Ref1-服饰] 白色棉质衬衫立领袖口卷至小臂 [Ref1-环境] 室内窗边自然侧光暖色调注意几个细节。第一编号要跟参考图对应如果你有多张参考图Ref1、Ref2 要分清楚否则模型会混淆。第二特征描述要具体到可量化比如齐耳长度比短发好深棕色比深色好。第三每个标签只描述一个维度不要把主体和服饰混在一句话里。我踩过的一个坑是早期我写标签喜欢用形容词堆砌比如美丽的短发女性穿着优雅的白衬衫。结果模型抓不住重点生成出来脸型每次都不一样。后来改成上面那种名词 量化特征的写法一致性立刻上来了。原因是模型对具体名词和数值的响应远比对主观形容词敏感。2.3 多参考图时的标签冲突处理当你给多张参考图时标签冲突是必然会遇到的。比如 Ref1 里人物是长发Ref2 里是短发模型该听谁的我的处理原则是主体特征以第一张参考图为准其他参考图只贡献非冲突维度。具体做法是在标签里明确优先级[Ref1-主体] 长发女性及腰长度黑色直发主体锚点优先级最高 [Ref2-服饰] 红色连衣裙V领收腰设计服饰参考 [Ref3-环境] 城市夜景霓虹灯光湿润地面环境参考这样写模型就知道人物长相看 Ref1衣服看 Ref2背景看 Ref3各司其职不打架。如果你不标优先级模型可能会把 Ref2 的发型也混进来导致人物特征混乱。还有一个技巧如果两张参考图的主体特征都很重要可以用融合标签但要明确融合比例。比如[Ref1Ref2-主体] 脸型参考Ref1的鹅蛋脸发型参考Ref2的波浪卷这种写法适合做换发型不换脸或者换脸不换身材的操作实测下来比让模型自己猜要稳得多。3. 六段结构把创意拆成模型能消化的六块3.1 六段结构的由来和整体逻辑六段结构是 Ref2VA 提示词改写的骨架。为什么是六段而不是三段或八段这是我在反复测试中摸索出来的——少于六段信息覆盖不全模型容易漏掉关键约束多于六段段落之间开始互相干扰模型注意力被稀释。这六段分别是主体描述、动作设计、场景设定、镜头语言、光影氛围、风格基调。它们的关系不是并列的而是有先后权重的。主体描述权重最高风格基调权重最低。模型在生成时会优先满足前面的段落后面的段落作为补充和修饰。理解这个权重顺序很重要。如果你把风格基调写在最前面模型可能会为了追求某种风格而牺牲主体一致性。所以顺序不能乱。3.2 主体描述段把参考标签翻译成动态描述第一段主体描述是把参考标签里的静态特征转化成动态语境下的描述。参考标签说短发女性主体描述段就要说短发女性正在做什么她的表情和姿态如何。我常用的写法模板是这样的主体为[参考标签中的主体特征]当前[表情状态][姿态描述][与环境的互动关系]。举个具体例子。参考标签是短发女性齐耳长度深棕色发色主体描述段可以写成主体为齐耳短发的深棕色发色女性当前表情平静略带微笑身体微微侧向镜头右手自然垂放左手轻触窗框。这里的关键是主体特征必须跟参考标签完全一致一个字都不能改。你可以增加表情、姿态、动作但核心特征描述要原样保留。我见过有人在这里把深棕色改成棕色结果生成出来发色就偏了。模型对颜色词的敏感度很高差一个字结果就不一样。3.3 动作设计段给静态参考图注入时间维度Ref2VA 生成的是视频所以动作设计段是让画面动起来的关键。参考图是静态的你需要告诉模型这个人在视频里要做什么动作动作的节奏和幅度如何。动作设计段我一般包含三个要素动作类型、动作幅度、动作节奏。动作类型转身回眸 动作幅度中等身体转动约45度 动作节奏缓慢持续约3秒写成连贯的句子就是人物缓慢转身回眸身体转动约45度动作持续3秒转身过程中头发自然摆动。这里有个经验动作幅度不要设计得太大。Ref2VA 在保持主体一致性的前提下动作幅度越大崩坏风险越高。我实测下来45度以内的转身、小幅度的肢体移动、面部表情变化这些是安全区。如果要大幅度动作建议拆成多个短镜头而不是让模型一口气生成。另外动作节奏要跟视频时长匹配。如果你生成的是5秒视频设计一个需要8秒才能完成的动作模型会压缩动作导致变形。所以动作设计前先确认输出时长。3.4 场景设定段环境可以换但要讲清楚怎么换场景设定段处理的是背景要不要变、怎么变的问题。如果你要保留参考图的原始背景这段就写保持参考图环境不变如果要换背景就要详细描述新环境。换背景时我建议保留一个过渡锚点让新旧环境有视觉上的连贯性。比如参考图是室内窗边你要换成室外花园可以这样写场景从室内窗边过渡到室外花园保留窗框作为前景框架窗外延伸出花园景深绿植和花卉填充中景和远景。这样写的好处是模型知道窗框这个元素要保留只是窗外的内容变了。如果没有过渡锚点直接说换成花园模型可能会把整个画面重构连人物位置都变了。3.5 镜头语言段用摄影术语精确控制构图镜头语言段是很多人会忽略的一段但它对最终效果影响很大。同样的主体和动作用不同的镜头语言拍出来完全是两个感觉。我常用的镜头语言参数包括参数可选值效果说明景别特写/近景/中景/全景控制人物在画面中的占比机位平视/俯视/仰视控制视角和人物气场运镜固定/推/拉/摇/移控制画面动态感焦距广角/标准/长焦控制空间压缩和畸变写成提示词就是中景景别平视机位镜头缓慢推进标准焦距。这里有个坑运镜和动作要协调。如果人物在转身镜头同时推近两个运动叠加容易导致画面抖动或主体模糊。我的做法是要么人物动镜头不动要么镜头动人物相对静止两者选其一。3.6 光影氛围段与风格基调段最后两块拼图光影氛围段控制的是画面的明暗关系和情绪基调。同样的场景暖光和冷光出来的感觉完全不同。光影氛围侧逆光暖色调柔和阴影高光集中在人物面部轮廓。风格基调段则是给整个画面定一个美学方向风格基调写实电影感低饱和度轻微胶片颗粒。这两段放在最后是因为它们是对前面所有元素的统一修饰。如果放在前面模型可能会为了追求某种风格而扭曲主体特征。放在后面模型会先保证主体和动作正确再用风格去润色。4. 保留分析判断哪些该留哪些该改的决策框架4.1 保留分析的三个判断维度保留分析是 Ref2VA 提示词改写的核心决策环节。每写一个元素你都要问自己这个元素是要保留、要修改还是要删除我用的判断框架是三个维度身份相关性这个元素是否影响人物身份识别影响越大越要保留。叙事必要性这个元素是否服务于当前视频的叙事目的不服务就可以改。技术可行性在当前模型能力下保留这个元素的难度有多大难度太高就妥协。举个例子。参考图里人物戴着一副金丝眼镜。身份相关性上如果眼镜是人物标志性特征那必须保留叙事必要性上如果当前场景是卧室睡前戴眼镜不合理那可以改技术可行性上眼镜的反光和透视是生成难点如果保留会导致画面崩坏可以考虑摘掉。三个维度综合下来你就能做出理性决策而不是凭感觉。4.2 保留强度的分级标注在提示词里我习惯用分级标注来明确保留强度强保留必须完全一致不允许任何偏差。用于主体脸型、标志性特征。中保留保持核心特征允许细节微调。用于服装款式、发型轮廓。弱保留保持整体感觉允许较大变化。用于背景环境、光影氛围。写法上可以这样标注[强保留] 人物脸型、五官比例、发色 [中保留] 服装款式、发型长度 [弱保留] 背景环境、光影方向这样模型在生成时就知道哪些地方可以自由发挥哪些地方必须严格照搬。我实测下来明确标注保留强度比不标注的一致性提升明显尤其是多元素场景下。4.3 保留与变化的边界案例有些情况比较微妙需要具体分析。我整理了几个常见边界案例案例一参考图人物是正面视频需要侧面。这属于视角变化不是特征变化。处理方式是强保留主体特征但允许视角调整。提示词里写保持人物面部特征不变视角转为侧面45度。案例二参考图是夏天服装视频设定是冬天。这属于服饰变化。处理方式是保留人物主体服饰改为冬装但要注意新服饰的配色最好跟原服饰有呼应避免视觉断裂。案例三参考图背景是白天视频需要夜景。这属于环境变化。处理方式是保留空间结构改变光照条件。提示词里写保持场景空间布局不变光照改为夜间暖黄灯光。这些边界案例的处理原则是变化的维度要明确不变的维度要强调。最怕的是模棱两可模型不知道你到底要不要变结果生成出四不像。5. 完整改写实战从一张参考图到一段可执行提示词5.1 实战案例的原始素材假设我有一张参考图一位穿藏青色针织开衫的年轻女性中长发微卷站在书架前暖色台灯光从左侧打来。我要生成的视频是她转头看向镜头微笑背景从书架渐变到咖啡馆。下面我一步步演示怎么把这写成规范的 Ref2VA 提示词。5.2 第一步提取参考标签[Ref1-主体] 年轻女性中长发微卷深棕色发色圆脸型双眼皮 [Ref1-服饰] 藏青色针织开衫圆领前襟有纽扣 [Ref1-环境] 室内书架前暖色台灯侧光木质书架5.3 第二步做保留分析主体特征强保留脸型、发型、发色都不能变服饰中保留开衫款式保留但可以根据咖啡馆场景调整内搭环境弱保留书架要换成咖啡馆但暖色调光影可以延续5.4 第三步按六段结构组织提示词[主体描述] 主体为圆脸型双眼皮的年轻女性中长发微卷深棕色发色当前表情平静身体正对书架站立。 [动作设计] 人物缓慢转头看向镜头头部转动约30度嘴角逐渐上扬露出微笑动作持续约2秒。 [场景设定] 场景从室内书架前渐变到咖啡馆内保留暖色调氛围书架逐渐虚化为咖啡馆的木质墙面和暖色吊灯。 [镜头语言] 近景景别平视机位镜头固定标准焦距。 [光影氛围] 暖色侧光从左侧打来柔和阴影高光集中在人物面部和发丝边缘。 [风格基调] 写实电影感中等饱和度轻微暖色调滤镜。 [强保留] 人物脸型、五官比例、发色、发型轮廓 [中保留] 针织开衫款式和颜色 [弱保留] 暖色调光影氛围5.5 第四步实测调整与迭代第一版生成出来后我发现两个问题一是转头动作太快看起来像抽搐二是背景渐变过程中书架消失得太突兀。针对第一个问题我把动作节奏从约2秒改成约3秒并加了动作平滑的描述。针对第二个问题我在场景设定段加了过渡描述书架先虚化再逐渐被咖啡馆元素替换过渡时间约1.5秒。第二版生成出来就自然多了。这个迭代过程说明提示词不是一次写好的要根据实测结果反复调整。我一般会预留2到3轮迭代第一轮看主体一致性第二轮看动作流畅度第三轮看场景过渡。6. 那些文档里不会写的踩坑经验6.1 参考标签写太细反而坏事我一开始觉得标签越详细越好把人物每个特征都写上去结果模型反而抓不住重点。后来发现参考标签要抓辨识度最高的3到5个特征而不是面面俱到。比如一个人物的辨识度主要来自脸型、发型、发色那这三个写清楚就够了眉毛形状、睫毛长度这些细节写上去反而干扰模型。模型注意力是有限的你给它太多锚点它反而不知道哪个最重要。6.2 六段结构不是必须写满六段六段结构是框架不是死规定。有些简单场景三段就够了。比如只是让人物做个表情变化主体描述、动作设计、镜头语言三段就能搞定硬凑六段反而让提示词臃肿。我的判断标准是如果某个段落写出来跟其他段落重复或者对最终效果没有实质影响就删掉。宁缺毋滥。6.3 保留分析要动态调整保留分析不是做一次就完事。在迭代过程中你可能会发现某个原本以为要强保留的元素实际上模型保留得很好那就可以降级为中保留给其他元素腾出注意力预算。反过来某个原本以为不重要的元素实测发现一改就崩那就要升级为强保留。这个动态调整的过程是 Ref2VA 提示词改写的精髓所在。6.4 多参考图时编号千万别乱我踩过最蠢的坑就是多参考图编号混乱。Ref1、Ref2 在标签里写反了结果模型把 Ref2 的脸安到了 Ref1 的身体上生成出来一个缝合怪。后来我养成了习惯每次写多参考图提示词前先把参考图按顺序排好编号写在纸上再开始写标签。6.5 风格基调段最容易画蛇添足风格基调段是六段里最容易被滥用的。很多人喜欢在这里堆砌风格词什么赛博朋克蒸汽波新海诚风格全往上写结果模型为了追求风格把主体一致性牺牲了。我的建议是风格基调段只写一个主风格最多加一个修饰词。比如写实电影感就够了不要写写实电影感加轻微动漫风格加复古胶片感。风格越杂主体越容易崩。7. 关于 Ref2VA 提示词改写的几点个人体会写了这么多最后分享几点我在实际操作中沉淀下来的体会不一定对但都是真金白银试出来的。第一Ref2VA 的提示词改写本质上是约束下的创作。你要在参考图的框架内发挥创意而不是天马行空。理解这一点很多决策就顺了。第二格式是工具不是目的。参考标签、六段结构、保留分析这些都是帮你理清思路的工具。如果你对某个场景已经很有把握完全可以简化格式直接写核心约束。格式是为效果服务的不要本末倒置。第三迭代比初稿重要。我从来没有一次就写出完美提示词的经历都是改了两三轮才稳定。所以别怕第一版效果差关键是知道差在哪、怎么改。第四多积累自己的特征词库。比如描述光影我积累了侧逆光顶光伦勃朗光等十几个词每个词对应的效果我都实测过。写提示词时直接调用比临时想词效率高得多。第五也是最想说的Ref2VA 这个模式的上限很高但前提是你愿意花时间理解它的逻辑。把它当成一个需要沟通的合作伙伴而不是一个执行命令的工具效果会好很多。