用首尾帧接力的方式做长镜头，是很多人试过的路子。有人拿 MiniMax-H3 做了三组链条，最长的一组接了 10 段，然后把每一环的变化量算了出来。

MiniMax-H3 是 MiniMax 的开源权重视频模型，支持给定首帧、给定尾帧，或者两者都给。为了把一个镜头拉得比单段更长，每一段都从上一段的最后一帧起步。10 段之后，画面里的女人已经不像最初画出来的那个人了。

论坛上关于这种漂移的描述不少，LTX-2.3、Wan、Seedance 都被提到过，但按环拆开的数字没找到，于是有了这一份。

测试条件

模型用 MiniMax-H3 的首尾帧检查点（FL2VA），在 Apple Silicon Mac 上通过 h3.c 的一个分支本地运行，transformer 用 INT8 版本，配 lightx2v 的 8 步 Turbo LoRA（fl2v_turbo_8step_v1.0_768p）。

每段规格一致：768x1344、124 帧（24 fps 下 5.17 秒）、8 步、种子 42。条件只给首帧，不给尾帧。第一段从手绘关键帧开始，之后每一段都取上一段的最后一帧：

• 用 ffmpeg 抽上一段末尾 0.05 秒处的一帧存成 PNG
• 这张 PNG 就是下一段的首帧

三组链条：A 组 10 段，扶手椅上的女人；B 组 7 段，门边的男人；C 组 9 段，拿手机的女人。每条提示词都给画面里的人一句台词（模型也会配音），并且都写了“固定机位”和“自然皮肤质感”。

四个指标怎么算

在每一段的首帧上——也就是上一段的尾帧——对整帧计算四个数，再分别除以手绘关键帧上的对应值。

• 边缘锐度：拉普拉斯响应的方差
• 最细细节：频谱中高于 0.25 周期/像素的能量占比
• 对比度：灰度归一化后的标准差
• 近白像素：灰度大于 0.92 的像素占比

细节先掉

最细细节在第一环就掉了：A 组第 2 段开头只剩关键帧的 77%，B 组 80%。到第 4 段触底，分别是 61% 和 65%，之后再没回到关键帧的水平——A 组收在 65%，B 组收在 88%。

边缘锐度起初也跌，第 3 段时是 73% 和 82%，然后开始反向超调。从第 5 段起它高于关键帧，A 组第 9 段到 174%，B 组第 7 段到 159%。细节并没有回来，最细的那一档始终偏低，涨上去的是更硬、更粗的边缘。在衬衫上能看出来，多了一层关键帧里没有的脆硬纹理。

然后脸开始出油

对比度几乎每一环都在涨：A 组第 9 段涨了 14%，B 组第 7 段涨了 16%。近白像素涨得更快，A 组从 0.20% 到 0.55%，是 2.8 倍；B 组从 0.054% 到 0.124%，是 2.3 倍。落在脸上，就是额头、鼻子和脸颊的反光。

手绘时的雀斑到第 4 段就没了，皮肤变得油亮，尽管每条提示词都要求自然皮肤质感；到第 9 段，骨相也变了。身份一致性没有用面部嵌入模型打分，这一条是肉眼判断。

有一处异常：A 组第 10 段的首帧整体更亮（平均亮度高 10%，饱和度低 15%），把它的对比度和近白像素数值拉了回来。原因没有查。

错误会跟着走

C 组展示了另一种失效。第 2 段结尾，模型在画面上画了一个带编造英文的聊天气泡，而第 3 段正是从这一帧起步，气泡从此进入了场景。

它接着存在了后面七段，里面的文字每段都在变。模型把条件帧里的任何东西都当成场景的一部分，而尾帧接力没有任何办法把它丢掉。

现在用的规则

看完整条长链，看到的是手机上糊掉的文字和像抹了油的脸。此后的做法是：

1. 最多连续 3 段从上一段尾帧起步，然后换一张新画的关键帧。
2. 有新的人或物进入时，这一段仍从尾帧起步，但结束在一张新画的尾帧上——也就是在起始帧基础上把新细节画进去。
3. 面部特写或新场景，一律从新画的关键帧开始。

3 这个上限是判断，不是数字算出来的阈值。在这两组链条里，前三段丢掉最细细节（降到 66% 和 69%），对比度几乎没动（100% 和 106%），近白像素涨了 16% 和 11%。从第 5 段起，四个指标一起偏离关键帧。说 2 也有道理。

自己查一遍

这套测量只需要本来就喂给模型的那些 PNG。对每个首帧算上面四个数，再除以关键帧。最细细节占比下降、同时对比度上升，就是要盯的模式。在信任一条长链之前，把每一段的首帧、中间帧、尾帧并排看一遍。每条链做一张联系表，第 3 段就能抓到那个气泡——实际是在粗剪时才发现。

这是两个模型、一个种子、一种分辨率下的两条干净链条，而且指标覆盖整帧，人却在画面里移动。如果在别的模型上跑同样的检查，曲线值得放在一起比。