你怎么评估一个端到端短剧生成智能体？
我会先把一句话创意到完整短剧拆成六个阶段：故事规划、分镜脚本、视觉生成、跨片段连续、后期组装和生产结论。每个阶段有独立评分维度和阶段门槛，失败样本能定位到具体环节，再把归因回流给算法侧。
短剧多镜头模型横评最关键看什么？
除了单条视频质量，我更看跨镜头一致性、脚本对齐、运动质量和成本口径。多模型同题生成后，用镜头级提示词、相邻镜头对和红线一票否决做横评，最后给出可用率和性价比双口径的底座选型建议。
你怎么把主观审美拆成打分卡？
我会从影视视听语言入手，把景别、运镜、构图、光影、节奏和表演叙事拆成可观察的锚点，再给正反例和边界样本。这样「好不好看」不只停留在感受，而能被多人复核和稳定交付。
自动化工作流在评测里承担什么角色？
机器适合做重复初筛、结构化解析、分差预警和数据看板；人工负责判断、仲裁和终审。我用 Dify、Python 和离线插件把关键帧抽取、机标初评、人工精评串起来，让人均产能提升，同时保留质量控制权。
网易实习经历怎么补足这条能力线？
网易项目让我完整接触 SFT 对话编写与改写、RLHF 偏好排序、RAG 检索相关性和 badcase 归因。它补足了「训练数据如何回流模型」这一段，也让我更清楚角色一致性、世界观约束和事实性问题在数据层怎么处理。
