爱诗科技 PixVerse 与 OpenAI 共推产品集成和创作者教育计划，打通 AI 创意全流程
近日，爱诗科技（AIsphere）旗下模型和开放平台PixVerse 与 OpenAI 宣布开启深度合作，双方完成了一系列产品集成并首次共同推出“从提示词到成片”（Prompt to Production）教育计划。通过线上研讨会和系列视频，该计划将帮助海外个人创作者和团队将创意构想更高效地转化为可落地的内容。 在首场
近日，爱诗科技（AIsphere）旗下模型和开放平台PixVerse 与 OpenAI 宣布开启深度合作，双方完成了一系列产品集成并首次共同推出“从提示词到成片”（Prompt to Production）教育计划。通过线上研讨会和系列视频，该计划将帮助海外个人创作者和团队将创意构想更高效地转化为可落地的内容。
在首场线上研讨会中，OpenAI应用AI工程师Tyler Ryu、PixVerse北美市场营销负责人演示了如何在工作流中结合使用 OpenAI 的前沿模型、Agent（智能体）能力与 PixVerse 的多模态生成工具，来自PixVerse 社区的专业创作者也分享了实战经验。未来，PixVerse 与 OpenAI 将继续围绕创作全流程深化合作，让更多创作者能够从容驾驭 AI 工具，把精力真正还给创作本身。
深度产品集成合作
打通策划、生成、制作三大环节
当下，越来越多创作者希望借助 AI 分担日常工作，把时间真正留给创作本身。顺应这一趋势，PixVerse 与 OpenAI 持续推进合作：开放平台持续接入 OpenAI 前沿模型，同时，双方近期还完成了一系列深度产品集成。
- PixVerse 插件: PixVerse 官方插件（PixVerse ChatGPT Plugin）现已原生接入 ChatGPT 与 Codex，借助 PixVerse 的制作规范与质量审核体系，用户可一站式完成视频、图像、音频的端到端生产。也就是说，现在你可以直接把想要制作的视频素材发给 ChatGPT，你只需描述要求，PixVerse 插件就会帮你完成制作。
- PixVerse CLI : 让 Codex 变身 AI 内容工作室，视频、图像、音频生成集中调用，还能搭建可复用的标准化流程，满足大规模内容创作的需求。
- Canvas 支持: PixVerse 为插件新增了对 Canvas（AI 视频项目工作台）的支持。用户可以在 Canvas 中管理、打磨创意素材，生成并对比多个结果，确认满意后直接转入制作与交付。
视频生成正在变成 agent 可调用的能力
通过上述PixVerse 插件、PixVerse CLI、Codex集成，PixVerse的视频生成能力已被封装成Agent 可以直接调用的接口。因此，Agent 无需打开平台界面即可自主完成理解任务背景 、生成创意简报、 拆解分镜脚本、调用 PixVerse 插件生成视频这一整条链路。PixVerse美国市场营销负责人在介绍时表示：“从操作网页到原生连接，视频生成正在变成 Agent 调用的能力，而不只是用户访问的网站平台，PixVerse 要成为人和 AI agent 的创作基础设施。” 在研讨会中，OpenAI应用AI工程师Tyler Ryu分享了自己使用这套产品集成的实操思路和体会，“AI能把事情做到 80% 到 90%，最后一步仍需要专业视频模型来完成”。在其演示的动画制作案例中，他先调用PixVerse 插件，根据角色图片生成角色走路的参考视频，即用视频模型产出动作素材；再让 Codex 做技术处理，把动作套用到游戏角色上，即把素材落地到实际资产上；最后再用自然语言反复微调直至成片，而不是手动调参数。整个过程既不需要动捕工作室，也不需要动画软件，他也没有离开过 Codex，无需在多个软件之间来回切换、导出导入。也就是说，原本依赖专业设备和软件的角色动画制作，现在已经被压缩成了在 Codex 里用自然语言就能走完的流程。
关于爱诗科技
爱诗科技成立于 2023 年，是全球领先的 AI 视频大模型公司，专注于多模态视频大模型与实时世界模型的研发与应用。公司长期围绕视频生成底座模型保持高频迭代，持续提升模型在画质表现、一致性、泛化性、可控生成等关键维度的能力。自研 PixVerse 系列视频大模型涵盖 V 系列通用视频模型、C 系列影视垂直模型和 R 系列通用实时世界模型，整体能力稳居行业第一梯队。目前，公司旗下 PixVerse 与内地市场的“拍我AI”APP 及开放平台已覆盖全球 177 个国家和地区，累计注册用户超 1.7 亿。今年 7 月，公司完成 C 轮融资，累计金额近 30 亿元人民币，投资方包括鼎晖投资、阿里巴巴、Lollapalooza Capital（王慧文家办）、常春藤资本、惠远资本、钟鼎资本、韩国未来资产、OCBC 生态下 Lion X 基金、蓝色光标、CloudAlpha、iGlobe Partners 等十余家国内外机构。 海外用户可点击原文了解更多PixVerse CLI & Skills1
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
430
2
Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎
360
3
又一个国产版 Codex 神器，也来卷办公了！
350
4
我的第一个出海产品！7 天 2 万
340
5
day3-如何写出一个高质量的 Skill（组内分享）
高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。
先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。
下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。
---
一、先想清楚：Skill 到底是什么
一个 Skill 至少包含四部分：
部分 作用
接口 输入什么、输出什么、边界在哪
流程 分几步做，每步的产物是什么
规则 硬约束、经验规则、失败模式
降级策略 不确定时怎么办，而不是硬编一个看似合理的结果
高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。
反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。
---
二、核心方法：先建评估，再写 Skill
不要先写转换器再补测试。正确顺序是：
1. 定义输出契约：什么算合法、什么算合格；
2. 建金标准集：一小批人工认可“可放行”的样本；
3. 先写评估 Skill：让它在金标准集上跑出基线；
4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。
这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。
---
三、评估 Skill：三层门禁，逐层递进
前一层不过，后一层不跑。每层留可追溯证据。
第 1 层：确定性硬门禁
用解析器、Schema、校验器完成，不消耗模型成本。
· 输出可解析；
· 必填字段齐全，类型/枚举合法；
· 引用目标存在，无悬空引用、无不可达节点；
· 关键路径至少有一条能到达预期出口。
不通过直接打回。
第 2 层：语义断言
用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。
通用检查项：
· 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？
· 完整性：每个判断节点是否都有明确出口？有没有死胡同？
· 可达性：每条路径是否都能到达预期终点？有没有无出口循环？
· 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？
例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。
第 3 层：LLM-as-Judge
只处理解析器表达不了的维度：忠实度、完整性、可执行性。
但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。
通用 Judge 维度：
维度 问什么
忠实度 输出是否忠实源材料意图？有没有自行发明内容？
完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？
收敛性 输出是否仍指向原目标，而不是发散？
可执行性 下游不依赖源材料能否直接使用？
---
四、金标准集：回归测试的锚点
不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样：
· 完整正例：典型流程；
· 边界/异常分支：异常路径、循环、前置失败回退；
· 已知易错模式：实际踩过的坑；
· 留出集：不参与调优，只用于最终验收，防过拟合。
金标准不需要完美，只需要当前标准下认可可放行。
回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。
---
五、工程约束：让批量产出可重放
· 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动；
· 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余；
· 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”；
· 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。
---
六、Skill 本身怎么写
· SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略；
· 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt；
· 不确定时标 needs_review: true，不要硬编看似合理的结果；
· 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。
---
七、落地顺序（不要反过来）
1. 固化输出契约：Schema + 结构约束；
2. 建金标准集：从已认可的 + 最易出错的样本开始；
3. 先写评估 Skill：跑出基线报告；
4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向；
5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检；
6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。
---
八、给组员的三条硬要求
1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。
2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。
3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。
---
一句话收尾
生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。
先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
330
本文由本站编辑组整理与排版，内容基于公开信息核实后归纳发布，与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态，力求信息准确、表述清晰；文中涉及的名称、价格与功能细节可能随官方调整而变化，请以官方最新说明为准。如发现疏漏或表述有误，欢迎通过站内渠道反馈指正。
