多语言角色口吻：多模态切换基准测试

这份持续维护的基准测试用于检验同一角色在聊天、图片和视频间切换中的跨语言意图与关系距离。它把主观印象变成可重跑记录，明确固定输入、证据字段、硬门槛和复测条件。

验证问题

在文生图与图生视频交接执行“翻译意图而不是逐字翻译并比较等价场景”时，候选结果能否保持跨语言意图与关系距离？通过必须满足“每次交接都保持身份”；好看或情绪感染力强的结果不能抵消硬失败。

受控准备

冻结角色卡、模型标识、提示词模板版本、检索设置、安全策略、参考素材、种子策略和语言。测试前分配case_id，一次只改变一个变量，并同时保存通过与失败输出。

可重复方法

1. 打开产品前写下预期事实、边界、口吻和视觉锚点。
2. 运行干净基线并保存原始输入、检索内容、输出、延迟和审核状态。
3. 不改动其他组件，只应用当前情景变量。
4. 随机排列候选结果，由两名评审独立评分。
5. 用具体句子、帧、属性或状态变化解释分歧。
6. 重复三次，同时报告平均分和最低案例分。

证据记录

记录model_version、prompt_version、character_version、case_id、seed、locale、timestamp、retrieved_memory、expected_state、observed_state、reviewer_id、hard_failure和remediation_owner。缺少原文与配置的截图只能算辅助证据。

评分与发布门槛

主要指标是语气一致率与事实一致率。每个案例按0到4评分，报告pass_count / total_cases，并单列全部硬失败。只有满足每次交接都保持身份、两名评审对硬门槛一致、最低一次运行超过预设线时才发布。

失败诊断

重点检查直译改变亲密程度或权力关系。把问题分为设定缺口、检索遗漏、优先级反转、摘要损失、生成漂移、视觉漂移、策略不匹配或评审歧义；一次只修一层，再用同一case_id重跑。

测试使用的官方工作流

• AI character generator
• AI video generator
• AI boyfriend experience
• NSFW AI character generator
• NSFW AI video generator

常见问题

一个好结果够吗？

不够。单次输出无法区分稳定能力与运气，必须受控重复并保留失败。

何时重测？

模型、提示词、记忆、摘要、安全、图片条件、视频流程或角色设定变化后。