Por que encher o prompt de regras piora o vídeo

Esta é a lição de campo mais cara que aprendemos construindo o EverFeed, e a que mais contraria a intuição de quem vem de escrever prompt para modelo de texto.

Tínhamos um prompt de vídeo curto, de mais ou menos duzentos caracteres, que funcionava bem. Fizemos o que qualquer pessoa cuidadosa faria: começamos a acrescentar. Regras de marca. Instruções de enquadramento. Proibições. Avisos. Em poucas semanas o prompt tinha três mil caracteres, e era muito mais completo.

E os vídeos ficaram piores. Não um pouco piores — visivelmente piores, de um jeito que dava para ver lado a lado.

O que aconteceu

Duas coisas diferentes, que valem separar porque as soluções são diferentes.

Diluição

Um modelo de difusão de vídeo não lê o prompt como uma lista de requisitos a serem checados. Ele condiciona a geração no significado agregado do texto inteiro. Cada palavra que você acrescenta divide a atenção com as que já estavam lá.

Num prompt de duzentos caracteres, "pão saindo do forno, vapor, luz de manhã" é praticamente tudo o que o modelo tem — e ele dedica a geração inteira àquilo. Nos três mil caracteres, essa mesma frase é 7% do texto. Os outros 93% — instruções de marca, regras de formato, avisos — também condicionam a cena, e a maioria deles descreve coisas que não são visuais.

O resultado é um vídeo que atende vagamente a tudo e não faz nada bem. A cena perde foco porque o prompt perdeu foco.

Proibição vira presença

Este é o efeito mais contraintuitivo, e o mais fácil de reproduzir.

Escrevemos coisas como "sem texto na imagem", "não mostrar logotipos", "evitar mãos". São instruções perfeitamente compreensíveis para um modelo de linguagem, que entende negação. Para um modelo de difusão, o campo positivo do prompt é uma descrição do que deve estar na cena, e ele condiciona nos conceitos que aparecem ali.

"Sem texto na imagem" coloca o conceito texto na descrição. "Não mostrar logotipos" coloca logotipo. E não é raro receber de volta exatamente o que você proibiu — às vezes mais proeminente do que se você não tivesse dito nada.

É o velho "não pense num elefante", só que o modelo não tem como não pensar: o elefante está no texto que condiciona a imagem.

Onde a proibição realmente vai

Modelos de imagem e vídeo têm, quase todos, um campo separado para isso: o negative prompt. É um canal próprio, tratado de forma diferente na geração — o que está ali é empurrado para longe, não descrito.

A correção foi mecânica:

• Tudo que era descrição da cena ficou no prompt positivo.
• Tudo que era proibição visual saiu de lá e foi para negative_prompt: texto, marca d'água, logotipo, mãos deformadas, distorção, moldura.
• Tudo que não era visual — regra de marca, instrução de formato, aviso de compliance — saiu do prompt de vídeo inteiro. Não é trabalho do modelo de vídeo. É trabalho da etapa de legenda, ou do template que escreve por cima.

O prompt de vídeo voltou para perto de duzentos caracteres. Os vídeos voltaram a ficar bons.

Por que isso não vale para texto

Vale a pena entender a assimetria, senão a lição vira superstição.

Para um modelo de linguagem, contexto longo geralmente ajuda. Ele entende negação, obedece a regras explícitas e trabalha melhor com exemplos. Um prompt de legenda com o kit de marca inteiro — persona, termos proibidos, oferta com preço, exemplos bons e ruins — produz texto melhor que um prompt curto. É por isso que o kit de marca do EverFeed tem tantos campos: eles vão todos para as etapas de texto.

Para um modelo de difusão, contexto longo dilui, e negação no campo positivo funciona ao contrário. São dois tipos de modelo com duas ergonomias opostas, e tratar os dois igual é o erro que estávamos cometendo.

O que isso mudou no produto

Três decisões saíram direto dessa lição.

Prompts por capacidade, não um prompt só. A biblioteca de prompts do EverFeed é organizada por capacidade — texto, imagem, vídeo — e por objetivo. O prompt de legenda e o prompt de vídeo não compartilham estrutura, porque não deveriam mesmo.

O campo params é JSON cru. É onde vive o negative_prompt, junto com aspect_ratio, duration_seconds e o que mais o fornecedor aceitar. Não tentamos criar um campo bonitinho na tela para cada parâmetro de cada fornecedor: quem sabe o que precisa passar é quem escolheu o fornecedor. Isso vale para os cinco drivers.

O prompt enviado fica gravado. Cada etapa guarda o texto exato que saiu, junto com o provedor, o modelo, o número de tentativas e a duração. Sem isso, essa investigação inteira teria sido impossível: não dá para descobrir que o prompt inflado piorou o vídeo se você não consegue ver os dois prompts lado a lado. Como as tomadas anteriores também ficam guardadas — até dez —, a comparação não custa uma nova geração.

Como escrever um prompt de vídeo que funciona

O formato que sobrou depois de tudo isso:

1. Um sujeito. O que está na cena. Concreto.
2. Uma ação. O que acontece nos oito segundos. Uma só.
3. Uma condição de luz ou ambiente. Manhã, contraluz, cozinha industrial.
4. Um movimento de câmera, se for necessário. Se não for, não escreva.
5. O resto nos parâmetros. Duração, proporção, proibições.

Cabe em duas linhas. Se está passando de três, provavelmente tem ali dentro alguma coisa que pertence a outra etapa.

O sinal de alerta

Se você está escrevendo uma regra de marca dentro de um prompt de vídeo, pare. A marca não entra na peça pelo prompt de difusão — ela entra pelo template que escreve por cima, pelas cores injetadas no render e pela legenda que a etapa de texto produz com o kit inteiro na mão.

O modelo de vídeo tem uma função: fazer oito segundos bonitos daquilo que você descreveu. Toda instrução que não serve a essa função está tirando qualidade de alguma que serve.