表 1 没写分数：京东 MoFu 怎么测尺度和顺序

表 1 没写分数：京东 MoFu 怎么测尺度和顺序

京东云开发者社区在 2026 年 7 月 24 日发了多元素商品视频模型 MoFu。页面作者是社区账号 18****。稿里写论文是 AAAI 2026，链接 arXiv:2512.22310。定量对比做在自建的 MoFu-Bench 上，表 1 的具体分数只在图里，正文没有一个百分点。

MoFu 要生成的是同一条视频里有多个商品或元素。真实广告图的问题不是「能不能把参考图塞进去」，而是两件会一起发生的事：拍摄距离和裁剪不同，生成结果里商品大小失真；参考图换个输入顺序，主体就扭曲、缺失或互相干扰。主体一多，第二种更明显。

基准盯的是扰动，不是普通画质

MoFu-Bench 专门做两件事：受控缩放，以及随机打乱参考图顺序。用来看尺度变了、顺序变了之后，视频还稳不稳。对照模型是 VACE、MAGREF、SkyReels-A2、Phantom。正文把定性对比里的归属写成：Phantom 和 MAGREF 来自字节，SkyReels-A2 来自昆仑万维，VACE 来自阿里。这是对照名单，不是这四家在京东流量上的线上实验。

指标名写在正文里，分数没有：

• ScaleScore：相对尺度是否自然。
• SubjectSim：主体是否还是那一个。
• GmeScore、Aesthetics：综合质量和文本对齐，用来看加了稳定性约束之后有没有把画面做坏。
• Motion Score：运动有没有被抹平。

正文的结论是方向，不是数字。MoFu 在几乎所有指标上最好或次好；ScaleScore 和 SubjectSim 优势更明显；GmeScore 和 Aesthetics 没有掉下去；Motion Score 只是和现有方法相当，不是更高。有的基线在外观相似度上仍有优势，但一做尺度变化或顺序扰动就明显下降。表 1 的样本量和每一格分数都没写出来，不能把「最优」换成某一个百分比。

定性图按输入条件拆开：单 ID、单 ID 加单主体、多 ID 加单 ID、单 ID 加多主体、以及带尺度差的主体。消融也只给了现象：去掉 Scale-Aware Modulation，元素大小会明显不合理；去掉 Fourier Fusion，顺序和布局变差，整张画面质量下降。没有消融的分数差。

训练约束和评测是同一对失败

尺度侧是 Scale-Aware Modulation。冻结的语言模型先编码文本，一个轻量 Scale Control Adapter 把语义变成缩放和偏移，再在 DiT 一类模块的中间特征上做调制，残差强度另有一个系数。尺度不是只在输入时看一眼。

顺序侧是 Fourier Fusion。每张参考图先分割主体再编码，转到频域后相加，再变回空间。加法不分先后，所以融合结果不随参考图排列改变。这篇用它替代「按顺序拼接或逐个注入」。

损失把两件事绑在一起，正文称为尺度-顺序稳定性损失。尺度项让训练更关注大主体的重建，同时仍对所有区域做归一化。顺序项拿原始顺序和第 p 个随机置换的融合特征做差，惩罚只因排列变化产生的特征偏移。具体公式在图里，置换做了多少次、损失权重是多少，正文没写。

不能从这篇读出的东西

没有线上 CTR、没有曝光量，也没有 MoFu-Bench 的视频条数。表 1 不能转写成「ScaleScore 提高了多少」。Motion Score「相当」只说明没有靠抹掉运动换稳定，不是运动指标领先。文末有招聘说明，和评测协议无关。

能直接拿去用的是评测设计：多元素视频不要只报一张好看的样例。基准里要有受控缩放和随机换序；指标至少分开看尺度、主体一致性、综合质量和运动，避免用平滑运动换稳定；消融要分别拿掉尺度模块和顺序模块。分数如果只画在表里，复述时就写「表在图中」，不要补数字。

京东云开发者社区，18****，京东零售广告创意：多元素商品视频生成模型（AAAI 2026），2026-07-24，https://developer.jdcloud.com/article/4541