Cómo obligar a un modelo de IA a obedecer tus instrucciones: Un caso práctico

Es una experiencia bastante frustrante cuando intentas usar herramientas de generación de IA y te das cuenta de que no están realmente entendiendo lo que les pides. Recientemente, estuve trabajando en un prompt para generar un video con el modelo MiniMax H3, y me encontré con dos errores que parecían imposibles: el personaje masculino no movía los labios al hablar, y al mismo tiempo, se duplicaba, apareciendo sentado en ambos extremos de la cama.

La escena original requería un entorno fijo para una mujer trabajando en su computadora, mientras que el hombre debía sentarse y observarla. Al principio, asumí que simplemente necesitaba describir mejor la anatomía y la postura del sujeto. Sin embargo, al analizar el problema con más detenimiento, se vuelve claro por qué estas instrucciones fallaban.

El diagnóstico: Ambigüedad y confusión temporal

La clave para entender estos fallos de ‘alucinación’ está en cómo se estructuran las acciones dentro del prompt. El modelo original mezclaba dos eventos distintos: el acto de hablar y el acto de sentarse. Al no atar explícitamente la animación de los labios a cada línea de diálogo, el modelo interpretaba que el movimiento facial era secundario o irrelevante frente al desplazamiento físico.

Además, la referencia a una trayectoria implícita en el vídeo anterior le daba al modelo demasiada libertad creativa. Al no especificar territorialmente dónde estaba el personaje, se le permitía decidir por sí mismo qué hacer con su posición espacial, lo que inevitablemente derivó en ese clon fantasma.

La solución iterativa

Para corregir estos fallos, fue necesario aplicar un enfoque mucho más estructurado y territorial. Primero, se introdujo la instrucción de separación temporal: el modelo debe hablar con un movimiento de labios claramente visible y sincronizado antes de iniciar cualquier desplazamiento hacia la cama.

Segundo, para evitar la duplicación, se eliminó cualquier referencia a una trayectoria implícita o automática. En su lugar, se reforzó que solo existe una instancia del sujeto en todo el video. Finalmente, se abordó el problema espacial mediante una definición absoluta de los ejes: se especificó claramente que el personaje ocupaba el extremo derecho de la cama desde la perspectiva de la cámara, dejando el lado izquierdo completamente vacío.

Este proceso demuestra que pedir ayuda y refinar los prompts es fundamental. Al ser explícitos en la separación de acciones, definir las coordenadas espaciales y eliminar ambigüedades, logramos guiar al modelo para que genere exactamente lo que necesitamos sin inventarse detalles.