Binary 进度汇报
2026-10-13 · 二原自动化和模型分工 · 内部会议用，请不要转发链接
结果
二原 v4：5 个 clip 整段107 帧
81 帧由模型画（每帧 2 个候选），26 帧沿用上一张（hold）。成本 $22.4，28 分钟。
81 帧由模型画（每帧 2 个候选），26 帧沿用上一张（hold）。成本 $22.4，28 分钟。
视觉理解测试：Argon 对 Opus 5.50.994 / 0.992
加工具时两个模型精度相同。Opus 的时间和成本约为 Argon 的 1/3。
加工具时两个模型精度相同。Opus 的时间和成本约为 Argon 的 1/3。
Argon 画二原不能用
Argon 只输出文本。用坐标画线不够精确，10 次里 5 次被截断。判定能力和 Claude 接近。
Argon 只输出文本。用坐标画线不够精确，10 次里 5 次被截断。判定能力和 Claude 接近。
新的模型分工规则已生效
看图、看视频、听音频给 Argon。代码能解的视觉题和其他工作给当前 agent 模型加工具。
看图、看视频、听音频给 Argon。代码能解的视觉题和其他工作给当前 agent 模型加工具。
二原 v4 对照视频
上半是原片，下半是模型画的二原。两半网格相同，线是对齐的。每个 clip 先按原速播 3 遍，再按 1/4 速播 1 遍。hold 帧显示沿用的那一张。下半标有「二原（AI 草稿，未经作監）」。
5 段合集（31 秒）
单个 clip
| clip | 帧 | hold | 模型画的帧 | 判定选 c1 | 判定选 c2（带参考板） |
|---|---|---|---|---|---|
| bocchi-turn | 31 | 19 | 12 | 8 | 4 |
| fma-fire | 13 | 0 | 13 | 9 | 4 |
| chuunibyou-face | 17 | 0 | 17 | 8 | 9 |
| fate-camera | 37 | 7 | 30 | 21 | 9 |
| lycoris-door-final | 9 | 0 | 9 | 5 | 4 |
| 合计 | 107 | 26 | 81 | 51 | 30 |
方法：画图模型是 Sunburst（gpt-image-2.5）。判定是 Claude Opus 5.5（判定 v2），它和 Jiao 的一致率以前是 79%。这张表不是 Jiao 的判断。
看到的问题（每个 clip 看了一帧，不是 Jiao 的判断）
- 腮红：画成红色椭圆加短线，core reference 的规则起作用。
- 虹膜：在整帧尺寸下，Bocchi 的眼睛又碎成小块。整帧调用的预算不够画眼睛。
- 背景：lycoris 把背景墙也画了线。二原只画人物，背景属于美术。
- 小人物：fate 的人物只占画面约 1/6，细节少。
- 参考板：判定更多选不带参考板的 c1（51 对 30）。参考板有用这一点没有证明。
视觉理解测试：Gemini 4 Argon 对 Claude Opus 5.5
8 个 2D／3D 任务，每个任务都有精确的标准答案。4 组：两个模型各分「只看图」和「看图加本机工具（写代码运行）」。每组每个任务跑 2 次，共 64 次。两个模型再盲评全部结果，评审看不到模型名。
| 任务 | Opus 只看图 | Opus＋工具 | Argon 只看图 | Argon＋工具 |
|---|---|---|---|---|
| T1 找二原里注入的缺陷 | 0.46 | 1.00 | 1.00 | 1.00 |
| T2 二原对齐（缩放、平移） | 0.83 | 0.95 | 0.82 | 0.95 |
| T3 按颜色规则数区域 | 0.57 | 1.00 | 0.50 | 1.00 |
| T4 31 帧里找 hold | 0.73 | 1.00 | 0.89 | 1.00 |
| T5 透视变形后的对应点 | 0.83 | 1.00 | 0.93 | 0.99 |
| T6 立方体可见面和法线 | 0.93 | 1.00 | 0.99 | 1.00 |
| T7 地面消失点 | 1.00 | 0.99 | 0.96 | 1.00 |
| T8 5 个形状的遮挡顺序 | 1.00 | 1.00 | 1.00 | 1.00 |
| 平均分（0–1） | 0.795 | 0.992 | 0.888 | 0.994 |
| 平均用时 | 21 s | 108 s | 133 s | 339 s |
| 成本（16 次） | $0.66 | $4.98 | $2.31 | $15.88 |
- 只看图：Argon 更准确（0.888 对 0.795），特别是在细小缺陷、hold 和 3D 姿态上。但它慢约 6 倍。
- 加工具：两个模型精度相同。Opus 的时间、成本和工具步数约为 Argon 的 1/3。
- 两个模型的盲评结论相同：默认用 Opus 加工具；不能用工具时，用 Argon 看图。
- 限制：每组每个任务只有 2 次，任务大多是合成图。测试总成本 $28.37。
Argon 画二原测试
| 项目 | Gemini 4 Argon | Claude Opus 5.5 |
|---|---|---|
| 判定：和 Jiao 的盲测选择一致 | 32/42（76%） | 33/42（79%） |
| 判定：选中 Jiao 最好的那张 | 2/7 | 5/7 |
| 画二原（用 JSON 坐标，OpenCV 渲染） | 10 次里 5 次被输出上限截断；线粗，位置常错 | 不适用（画图用 Sunburst） |
结论：Argon 能做检查，不能画二原。画图继续用 Sunburst。测试成本 $14.55。
新的模型分工规则（2026-10-13 生效）
| 工作 | 模型 |
|---|---|
| 看懂图像、视频、音频：描述、阅读、转写、比较、找缺陷、视觉 QA | Gemini 4 Argon |
| 代码能解的视觉题：对齐、计数、hold、帧差、测量、几何 | 当前 agent 模型＋工具 |
| 其他全部工作 | 当前 agent 模型＋工具 |
| 词级时间戳：字幕、歌词对齐 | Qwen3-ASR／forced aligner |
| 画图（二原、上色） | Sunburst |
如果一个任务两部分都有：先把看懂的部分给 Argon，再用代码核对它的结论。Claude Code 和 Codex 的全局规则、skill 和三个 repo 的文档都已更新。
限制和下一步
限制
- 原画和中割的答案未知，所以 v4 不能和作監修正稿逐线比较。
- v4 的判定不是 Jiao 的判断。
- hold 阈值只看整帧像素变化。镜头移动但画不变的帧不算 hold。
下一步（推断，需要 Jiao 确认）
- 在 prompt 里写明「只画人物，不画背景」。
- 把脸和眼睛放大后单独画，解决虹膜碎片和小人物细节少的问题。
- 如果 Jiao 也认为 c2 不好，不再给画图模型参考板。
- 把视觉 QA 改为交给 Argon，把对齐、计数和 hold 交给代码。