企业官网建设流程全解析

1. 全参考模式到底在解决什么问题

第一次接触 MiniMax H3 的全参考模式（Ref2VA）时，我下意识把它当成了普通的图生视频来用，结果折腾了大半天，出来的片子跟参考图完全是两回事。后来才搞明白，Ref2VA 的核心逻辑不是“以某张图为第一帧”，而是把参考素材当成一种全局约束条件，让模型在生成过程中持续对齐参考里的主体特征、色调倾向和构图关系。

这个区别很关键。普通图生视频，你给一张图，模型只把它当作起点，后面怎么演化基本靠提示词自由发挥；而全参考模式是把参考图拆解成多个维度的信息——主体长什么样、穿什么颜色的衣服、背景是什么质感、光线从哪来——然后在每一帧里都尽量维持这些特征的一致性。说白了，它更像是一个“带着镣铐跳舞”的模式，自由度低了，但可控性上来了。

那为什么还要改写提示词？因为 Ref2VA 对提示词的敏感度和普通模式完全不同。普通模式下你写“一个女孩在雨中奔跑”，模型可能给你生成各种风格；但在全参考模式里，同样的提示词会跟参考图产生复杂的交互——参考图里女孩是短发，你提示词里写“长发飘飘”，模型就会陷入两难，最后出来的结果往往是两边都不像。所以提示词改写的本质，是让文字描述和参考素材之间形成互补而非冲突，把参考图无法表达的信息（比如动作、时间变化、镜头运动）用文字补上，同时避免文字去覆盖参考图已经固定的特征。

这套格式指南要解决的，就是“怎么写出跟参考图配合得好的提示词”这个问题。它适合已经上手过 H3 基础功能、想进一步提升参考一致性的朋友，也适合那些被“参考图明明很清晰但生成结果就是不像”困扰的创作者。接下来我会把参考标签体系、六段结构的写法、以及保留分析的具体操作拆开讲，都是我自己反复试出来的经验。

2. 参考标签体系：给每张图打上模型能读懂的标记

2.1 参考标签到底是什么

参考标签是我在 Ref2VA 工作流里最先要处理的东西。你可以把它理解成给每张参考图贴的“身份说明”，告诉模型这张图在本次生成中扮演什么角色、需要保留哪些特征、可以忽略哪些部分。没有标签，模型只能靠自己的视觉理解去猜，猜错了就是主体漂移、风格跑偏。

我一开始觉得标签是可有可无的，后来发现加了标签之后，同一组参考图生成的一致性明显提升。举个例子，我用一张人物半身像做参考，不加标签时模型经常把背景里的书架也当成必须保留的元素，导致镜头一动书架就变形；加上“主体参考，仅保留人物面部与服装，背景忽略”这样的标签后，镜头运动就自然多了。

标签的写法没有绝对标准，但有几个原则是我踩坑后总结出来的：第一，标签要短，控制在十个字以内，太长了模型反而抓不住重点；第二，标签要具体，说“保留红色外套”比说“保留服装特征”有效得多；第三，标签之间用分号隔开，避免逗号造成的歧义。

2.2 常用参考标签分类与适用场景

我把常用的参考标签分成几类，方便你按需取用：

这张表是我自己整理出来贴在显示器旁边的，每次写标签时对照一下，能省不少试错时间。需要强调的是，标签不是越多越好。我试过一张图贴五六个标签，结果模型直接“过载”，生成的东西四不像。一般来说，一张参考图配两到三个标签就够了，最多不超过四个。

2.3 标签与提示词的优先级关系

这里有个很多人会忽略的点：参考标签和提示词之间是有优先级顺序的。根据我的实测，当标签和提示词描述冲突时，模型倾向于优先满足标签里的约束。也就是说，如果你给参考图打了“锁定面部”的标签，但提示词里写“人物转头露出侧脸”，模型会尽量保持面部特征不变，但转头动作可能做得很别扭。

这个特性可以反过来利用。当你希望某个特征绝对稳定时，就把它写进标签；当你希望某个特征可以灵活变化时，就只在提示词里提，不要打标签。比如做产品展示视频，产品外观必须稳定，那就打“主体锁定”标签；而背景是纯色还是渐变，可以在提示词里描述，让模型自由发挥。

提示：标签和提示词冲突时，不要指望模型能完美平衡，最好的做法是从源头上避免冲突——要么改标签，要么改提示词。

3. 六段结构：把提示词写成模型能执行的“分镜脚本”

3.1 为什么是六段而不是一段

我最初写提示词就是一句话堆砌：“一个穿红裙子的女孩在咖啡馆里看书，阳光从窗户照进来，镜头慢慢推进。”这种写法在普通模式下勉强能用，但在 Ref2VA 里经常出问题——模型分不清哪些是必须保留的参考特征，哪些是希望生成的变化，结果就是该稳的地方不稳，该动的地方不动。

六段结构的思路，是把提示词拆成六个功能明确的模块，每个模块只负责一件事。这样模型在处理时能更清晰地分配注意力，该对齐参考的地方对齐参考，该自由发挥的地方自由发挥。这六个模块分别是：主体描述、动作与交互、环境与背景、光线与色调、镜头与运动、风格与画质。

这六个模块的顺序不是随便排的。主体描述放最前面，是因为模型对开头的信息最敏感；镜头与运动放在靠后位置，是因为它属于“全局指令”，太早出现会干扰模型对主体和环境的理解。这个顺序是我试了十几种排列组合后固定下来的，你可以直接照用。

3.2 六个模块的具体写法与参数建议

主体描述段要跟参考标签呼应。如果标签里写了“锁定面部”，这里就不要再详细描述五官了，只需要补充参考图里没有的信息，比如“人物表情从平静转为微笑”。如果标签里没有锁定，那这里就要写清楚主体的关键特征，但注意不要跟参考图矛盾。

动作与交互段是 Ref2VA 里最需要花心思的部分。因为参考图是静态的，动作全靠文字来驱动。我的经验是，动作描述要具体到身体部位和幅度，比如“右手缓慢抬起至胸前”比“做一个手势”有效得多。另外，动作幅度不要太大，全参考模式下大幅动作容易导致主体变形。

环境与背景段要明确哪些是参考图里已有的、哪些是新增的。如果参考图背景很干净，你想加一些元素，就在这里写；如果参考图背景复杂且你想保留，就写“背景保持参考图原样”。我一般会加一句“背景元素不遮挡主体”，避免生成时背景抢戏。

光线与色调段直接决定成片的氛围。Ref2VA 对光线描述很敏感，写“暖色调侧光”和“冷色调顶光”出来的效果差异巨大。如果你希望跟参考图色调一致，就写“色调对齐参考图”；如果想改变氛围，就具体描述光源方向和色温。

镜头与运动段控制的是“怎么拍”。这里可以用一些摄影术语，比如“缓慢推镜”“环绕运镜”“固定机位”。实测下来，Ref2VA 对“缓慢”这个词特别敏感，加了之后运动平滑度明显提升。另外，镜头运动幅度建议控制在中小范围，大幅运镜容易导致参考特征丢失。

风格与画质段是收尾，用来定调整体质感。可以写“电影感”“写实风格”“高清细节”等。这一段跟参考图的关系是：如果参考图本身风格很强，这里就写“风格对齐参考图”；如果参考图风格中性，你想加风格，就在这里指定。

3.3 六段结构的完整示例与拆解

拿一个实际案例来说。参考图是一张室内人像，暖光，人物穿米色毛衣，背景是书架。我想生成的视频是人物抬头看向镜头并微笑，镜头缓慢推进。

按六段结构写出来是这样的：

• 主体描述：年轻女性，米色毛衣，发型与参考图一致
• 动作与交互：缓慢抬头，视线从书本移向镜头，嘴角微微上扬
• 环境与背景：室内书架背景，保持参考图布局，背景不遮挡人物
• 光线与色调：暖色调，侧光从左侧窗户照入，色调对齐参考图
• 镜头与运动：固定机位起始，缓慢推镜至中景
• 风格与画质：写实风格，电影感，高清细节

这六段加起来不到一百字，但信息密度很高，而且每一段都有明确的功能。我拿这个结构跑了十几次生成，一致性明显比之前的一句话提示词好很多。你可以把这个例子当作模板，替换成自己的内容。

注意：六段结构不是死规矩，如果某个模块在你的场景里不重要，可以简化甚至省略，但主体描述和镜头运动这两段建议保留。

4. 保留分析：判断哪些特征必须稳住、哪些可以放手

4.1 保留分析的操作流程

保留分析是我在写提示词之前必做的一步。具体做法是：把参考图打开，拿一张纸或者开一个备忘录，列出图里所有的视觉元素，然后逐个判断“这个元素在生成中必须保持不变吗”。判断的标准有三个：第一，这个元素是不是主体的核心识别特征（比如人的脸、产品的logo）；第二，这个元素变了会不会导致观众出戏；第三，模型有没有能力在变化中保持这个元素稳定。

我一般会把元素分成三档：必须保留、尽量保留、可以变化。必须保留的写进参考标签，尽量保留的写进提示词的主体描述段，可以变化的就不提，让模型自由发挥。这个分档过程看起来麻烦，但做熟了之后五分钟就能搞定，比反复生成再挑结果省时间得多。

4.2 不同场景下的保留优先级

不同场景下，保留的优先级完全不同。我做人物类视频时，面部特征和服装颜色是必须保留的，背景和光线可以适当变化；做产品类视频时，产品外观和材质是必须保留的，使用场景可以自由发挥；做风景类视频时，整体构图和色调是必须保留的，具体云层形状可以变化。

这里有个容易踩的坑：很多人会把“必须保留”的范围划得太大，结果提示词里全是约束，模型被绑得死死的，生成的东西僵硬不自然。我的经验是，必须保留的元素控制在三个以内，尽量保留的控制在五个以内，剩下的全部放手。宁可少约束，也不要过度约束。

4.3 保留分析跟提示词改写的衔接

保留分析做完之后，提示词改写的方向就清晰了。必须保留的元素，在参考标签里锁定，提示词里不再重复描述；尽量保留的元素，在提示词的主体描述段里用“保持”“延续”这类词来引导；可以变化的元素，就是提示词里重点发挥的地方，动作、镜头、氛围都往这里写。

举个例子，参考图是一个戴眼镜的男性在办公室。保留分析结果：眼镜和面部必须保留，衬衫颜色尽量保留，办公室背景可以变化。那么提示词里就不写眼镜和面部，主体描述段写“衬衫颜色延续参考图”，然后把笔墨集中在“人物从看电脑转为看向镜头”“镜头从侧面缓慢转到正面”“背景从办公室虚化为抽象光斑”这些变化上。这样写出来的提示词，既保住了核心特征，又有足够的变化空间。

5. 实操全流程：从参考图到成片的完整走一遍

5.1 素材准备与预处理

正式写提示词之前，素材准备这一步不能省。我一般会把参考图先过一遍，做三件事：裁剪到合适比例、检查分辨率、确认没有明显瑕疵。Ref2VA 对参考图的比例有要求，如果参考图是竖版但你想生成横版视频，最好提前裁剪或者留出扩展空间，不然模型会自动裁切，可能把关键部分切掉。

分辨率方面，我的经验是参考图短边不低于 768 像素，太低了解析不出细节，太高了处理速度会变慢。如果参考图有噪点或者压缩痕迹，建议先做一次轻度的降噪和锐化，但不要过度处理，否则模型可能把处理痕迹也学进去。

5.2 参考标签与提示词的协同编写

素材准备好之后，先写参考标签，再写提示词。写标签时对照第 2 节的分类表，确定每张图的角色。写提示词时按第 3 节的六段结构来，每一段都回头检查一下有没有跟标签冲突。这个检查步骤很重要，我至少有三分之一的失败案例是因为标签和提示词打架导致的。

协同编写的一个小技巧是：先把六段结构写完整，然后逐段跟标签对照，把冲突的地方改掉。比如标签写了“锁定面部”，提示词主体描述段里就不应该有“面部表情变化”之外的描述；标签写了“构图参考”，提示词镜头段里就不应该有大幅运镜。

5.3 生成参数设置与首轮测试

参数设置这块，我常用的配置是：生成时长 4 到 6 秒，帧率 24 或 30，运动幅度中等偏低。Ref2VA 模式下运动幅度不建议调太高，否则参考一致性会下降。首轮测试我一般会生成两到三个不同随机种子的结果，对比一下稳定性，如果三个结果差异很大，说明提示词或者标签有问题，需要回去调整。

首轮测试的另一个目的是检查参考特征有没有被正确保留。我会重点看三个地方：主体面部是否跟参考图一致、服装颜色有没有偏移、背景是否出现了不该有的元素。如果这三个地方都稳，再进入下一轮优化。

5.4 迭代优化与成片输出

迭代优化主要调三个东西：提示词里的动作描述、镜头运动幅度、光线色调描述。每次只调一个变量，这样能清楚知道是哪个改动起了作用。我一般会迭代三到五轮，每轮生成两到三个结果，挑最好的那个作为下一轮的基准。

成片输出前，建议做一次高清修复。Ref2VA 生成的结果在细节上可能有些模糊，尤其是面部和文字区域。高清修复的参数不要调太高，否则会出现过度锐化的塑料感。我的经验是修复强度控制在 0.3 到 0.5 之间，配合轻微的降噪，出来的效果比较自然。

6. 常见问题与排查技巧实录

6.1 主体漂移与特征丢失

这是 Ref2VA 最常见的问题。表现是生成视频里的人物跟参考图长得不像，或者服装颜色变了。排查思路是：先检查参考标签有没有正确锁定主体，再检查提示词里有没有跟标签冲突的描述，最后检查参考图本身是不是特征不够清晰。

我遇到过一次，参考图是侧脸，生成出来全是正脸。后来发现是提示词里写了“人物转向镜头”，模型为了满足这个动作，把侧脸特征丢掉了。解决办法是把动作改成“头部微微转动”，幅度小了，特征就保住了。

6.2 画面闪烁与帧间不一致

闪烁问题通常跟运动幅度和帧率有关。运动幅度太大时，模型在帧与帧之间来不及保持一致性，就会出现闪烁。我的解决办法是降低运动幅度，同时把帧率提高到 30，让过渡更平滑。另外，提示词里加“平滑运动”“稳定画面”这类描述也有帮助。

还有一种闪烁是光线引起的。如果提示词里写了“光线变化”，模型可能会在每帧里都改变光照，导致闪烁。这种情况就把光线描述改成“光线保持稳定”，或者干脆不写光线变化。

6.3 参考图风格被过度覆盖

有时候参考图本身风格很强，但生成结果却变成了另一种风格。这通常是因为提示词的风格与画质段写得太强势，把参考图的风格盖过去了。解决办法是在风格段写“风格对齐参考图”，或者干脆删掉风格段，让模型自己从参考图里提取风格。

我个人的习惯是，如果参考图风格明确，风格段就只写“对齐参考图”四个字；如果参考图风格中性，才在风格段里指定具体风格。这样能最大程度保留参考图的原始调性。

6.4 生成速度慢与资源占用高

Ref2VA 比普通模式吃资源，这是正常的。如果觉得速度太慢，可以尝试降低生成分辨率或者缩短时长。另外，参考图的数量也会影响速度，我一般控制在两到三张，太多了处理时间会明显增加。

还有一个容易被忽略的点：参考图的尺寸如果差异很大，模型需要额外时间来做对齐。建议把所有参考图统一到相近的尺寸和比例，能省不少时间。

这张表是我自己排查问题时用的速查表，基本上覆盖了八成以上的常见问题。遇到新问题的时候，我会先往这四类里套，套不进去再单独分析。

7. 我踩过的坑与独家经验

7.1 标签写太满反而坏事

刚开始用 Ref2VA 的时候，我总觉得标签写得越多越保险，一张图能贴七八个标签。结果模型直接“罢工”，生成的东西完全没法看。后来才明白，标签是给模型划重点，重点太多就等于没有重点。现在我的习惯是每张图最多三个标签，而且这三个标签必须是最核心的约束，其他的一律交给提示词去引导。

7.2 六段结构不是越长越好

六段结构容易让人产生“每段都要写很多”的误解。我一开始也是每段都写三四句话，结果提示词总长度超过三百字，模型处理起来很吃力，生成质量反而下降。后来我把每段压缩到一到两句话，只保留最关键的信息，总长度控制在八十到一百二十字之间，效果明显好转。提示词的质量在于精准，不在于篇幅。

7.3 保留分析要动态调整

保留分析不是做一次就完事的。我在迭代过程中发现，有些一开始觉得“必须保留”的元素，其实模型自己就能稳住，根本不需要额外约束；而有些一开始觉得“可以变化”的元素，反而在生成中变得不稳定。所以每迭代一轮，我都会重新过一遍保留分析，把不必要的约束去掉，把新发现的不稳定因素加进去。这个动态调整的过程，是提升成片质量的关键。

7.4 参考图的选择比提示词更重要

这句话可能有点反直觉，但确实是我的真实体会。一张好的参考图，特征清晰、光线均匀、背景干净，模型很容易就能抓住重点；一张差的参考图，模糊、杂乱、光线诡异，你提示词写得再好也救不回来。所以我现在花在选参考图上的时间，比花在写提示词上的时间还多。选图的标准就三条：主体突出、光线均匀、背景不抢戏。

7.5 多参考图的协同要分主次

用多张参考图时，一定要分主次。我的做法是选一张作为“主参考”，承担主体锁定和构图引导的功能；其他图作为“辅助参考”，只承担风格或材质参考的功能。如果两张图都打主体锁定标签，模型就会不知道该听谁的，结果就是两个主体的特征混在一起，出来一个四不像。主参考只能有一张，这个原则我从来没破过例。

8. 进阶玩法：把 Ref2VA 用出导演台的感觉

8.1 用参考标签模拟分镜控制

熟悉了基础流程之后，我开始尝试用参考标签来模拟分镜控制。具体做法是给不同参考图打上不同的“镜头角色”标签，比如“主参考-中景”“辅助参考-特写”“辅助参考-远景”，然后在提示词的镜头段里写“从远景过渡到中景再切特写”。这样模型在生成时，会参考不同图片的构图信息来构建镜头变化，出来的效果有点像简易版的分镜脚本。

这个玩法对参考图的要求比较高，需要准备同一主体在不同景别下的图片。但一旦跑通，能实现的镜头语言就丰富多了。我拿这个思路做过一个产品展示视频，从全景到特写再到全景，过渡很自然，客户看了还以为我是用专业分镜软件做的。

8.2 结合导演台工作流的思路

如果你用过 H3 的导演台功能，会发现 Ref2VA 的六段结构跟导演台的分镜逻辑其实是可以打通的。导演台是把视频拆成多个镜头分别生成再拼接，而 Ref2VA 的六段结构是在单个生成任务里模拟多个镜头的切换。两者结合的做法是：用导演台规划整体分镜，每个分镜用 Ref2VA 加六段结构来生成，最后在导演台里拼接。

这样做的好处是每个分镜的参考一致性都能单独控制，不会因为一个分镜出问题影响整条片子。缺点是工作量比单次生成大，适合对质量要求高的项目。我一般只在商业项目里用这个流程，个人练习还是单次生成居多。

8.3 高清修复与后期衔接

Ref2VA 生成的结果直接输出的话，细节上可能差口气。我的后期流程是：先做一次轻度的高清修复，再做一次色彩微调，最后加一点颗粒感来统一质感。高清修复的参数前面说过了，色彩微调主要是把参考图的色调再拉回来一点，因为生成过程中色调可能会有偏移。颗粒感不要加太多，一点点就够了，目的是让画面看起来更自然，不是做旧。

后期这一步看起来跟提示词改写没关系，但实际上，如果你在提示词阶段就把光线和色调描述得很准确，后期需要调整的幅度就很小，画质损失也更少。所以提示词写得好，后期省一半事，这话不夸张。

8.4 批量生成的参数管理

做系列视频的时候，我会把六段结构做成模板，只替换主体描述和动作描述，其他四段保持不变。这样能保证系列视频的风格一致性，同时减少重复劳动。参数方面，我会固定随机种子范围、运动幅度和帧率，只调整提示词内容。批量生成时建议先跑三到五个测试，确认模板没问题再全量跑，不然批量出废片很浪费时间。

模板管理有个小技巧：把六段结构存成文本片段，用的时候直接调用，避免每次重新写。我自己的模板库里存了十几套不同场景的六段结构，人物类、产品类、风景类都有，用的时候改几个词就能跑，效率提升很明显。

9. 一些关于工具链和环境的零散经验

9.1 本地部署与在线使用的取舍

Ref2VA 在本地部署和在线使用之间，体验差异主要在处理速度和批量能力上。本地部署的优势是批量生成方便，不用排队，适合需要大量迭代的场景；在线使用的优势是省去了环境配置的麻烦，适合快速验证想法。我自己的做法是：前期用在线快速试提示词，确定方向后再转到本地批量生成。

本地部署对硬件有一定要求，显存建议不低于 12GB，否则处理高分辨率参考图时会比较吃力。如果显存不够，可以降低参考图分辨率或者减少同时加载的参考图数量。在线使用的话，注意一下单次生成的时长限制，太长的视频可能需要分段生成再拼接。

9.2 整合包与工作流的选择

市面上有一些整合好的工作流包，把 Ref2VA 的各个步骤串起来了。我的建议是，如果你刚接触 Ref2VA，先用原生流程走一遍，搞清楚每个环节在做什么，再去用整合包。不然出了问题你都不知道该从哪里排查。整合包适合已经熟悉流程、想提升效率的人。

选择整合包的时候，重点看它有没有把参考标签和六段结构的输入界面做好。如果整合包只是把参数堆在一起，没有做结构化的输入引导，那用起来跟原生流程差别不大。好的整合包应该能引导你按六段结构来写提示词，并且自动检查标签冲突。

9.3 版本更新与兼容性注意

H3 的版本更新比较频繁，每次更新后 Ref2VA 的行为可能会有细微变化。我的习惯是更新后先跑一组基准测试，用固定的参考图和提示词生成一遍，对比更新前后的结果。如果发现一致性下降或者出现新的问题，就回退到上一个版本，等下一个版本再试。

另外，不同版本对参考标签的解析方式可能不同。我遇到过某个版本突然不认“锁定面部”这个标签了，换成“面部参考”才正常。所以更新后如果发现标签失效，先试试换个写法，不一定是模型坏了。

10. 最后分享几个提升成功率的小习惯

第一个习惯是每次生成前花两分钟做保留分析，把必须保留、尽量保留、可以变化的三档元素列出来。这两分钟能省下后面二十分钟的反复生成。

第二个习惯是提示词写完后朗读一遍，看看有没有前后矛盾的地方。朗读能发现默读时忽略的逻辑冲突，尤其是标签和提示词之间的冲突。

第三个习惯是每轮迭代只改一个变量。同时改多个变量的话，你永远不知道是哪个改动起了作用，也没法积累经验。

第四个习惯是建一个自己的案例库，把成功的参考图、标签、提示词、参数都存下来。下次遇到类似场景，直接调用改一改就行，不用从零开始。

第五个习惯是不要追求一次完美。Ref2VA 的生成有随机性，同样的输入不同种子结果可能差很多。我的做法是每轮生成三个结果，挑最好的那个作为基准继续迭代，而不是死磕一个结果反复重跑。

这些习惯看起来都是小事，但积累下来，我的成片率从最开始的三成提升到了现在的七成以上。Ref2VA 这个模式，说到底是一个需要耐心调教的工具，你花时间理解它的脾气，它就会给你稳定的回报。