Luchando contra la cámara fantasma en Minimax FL2V-A

Parece simple, pero el modelo fl2va de Minimax no quiere cooperar. Le digo que la cámara debe permanecer fija y ella empieza a dar vueltas en círculo en lugar de simplemente rodar sobre su cuerpo.

¿Por qué el modelo se vuelve coreógrafo?

Al analizar el problema, hay una contradicción importante. La palabra que usamos para describir la acción, como «roll», introduce una ambigüedad significativa. Si el modelo interpreta ese término de forma flexible, puede decidir girar lateralmente o hacer una vuelta completa, lo cual es bastante coherente con esa falta de precisión.

Además, hay una teoría interesante sobre cómo se comporta la IA: parece que Minimax respeta más la física de una escena cuando cree que está viendo una grabación real en lugar de animar una imagen. En un contexto de acción realista, el modelo puede apoyarse en las regularidades aprendidas de vídeos reales, como cuerpos que conservan su posición y cámaras montadas en trípodes.

Un experimento para diagnosticar la raíz

Dado que repetir instrucciones no garantiza que se respeten, propongo un experimento pequeño para aislar el problema. Probaré tres variantes: primero, una versión con solo la descripción del movimiento corporal; segundo, las mismas referencias añadiendo restricciones de cámara estática y fondo bloqueado; y tercero, describiendo únicamente la pose inicial y final sin usar verbos como «roll» o «spin».

Si A y B producen el mismo resultado, la restricción no tiene influencia. Si C funciona mejor, entonces el problema era probablemente la interpretación de la trayectoria corporal. El objetivo es entender si entender una instrucción equivale realmente a poder imponerla durante toda la generación del video.