HELL GRIND 开源创作项目调研

1. 项目概览

95 min

片长

115K+

总资产数

204K

浏览量 (2天)

2.1K

496

9K+

角色资产

HELL GRIND 是 Higgsfield 官方制作的 95 分钟 AI 故事片，号称是迄今为止最长的 AI 生成电影之一。关键是——完全开源：每个 prompt、每张 asset、整个 canvas 全部公开可查。

故事梗概

ROKO、JAXX、LULU 和 REIN — 四个一无所有的街头少年。某天，一座博物馆，一个计划 — 直到他们在展厅里发现了一件没有名字、没有来历的文物。一次触碰 — 每个人都获得了一种从未要求过的力量，唤醒了某种本不该苏醒的东西。现在他们必须直面远古的邪恶 — 即使这条路直通地狱。四个一出世就被世界抛弃的孩子，如今成了它最后的防线。

角色

角色	描述
ROKO	四主角之一
JAXX	四主角之一
LULU	四主角之一
REIN	四主角之一

核心价值：这不是一个「demo」或「showcase」——是一部完整的、有叙事结构的、95分钟的长片，并且 Higgsfield 把全部制作过程（prompt + asset + canvas）开源了。这对于任何想学习 AI 电影制作流程的人来说都是金矿。

2. 项目结构 — 资产组织

场景 (Scene) 级组织

项目按场景分文件夹，每个场景是一个独立的资产集合。以下是社区页面可见的场景列表：

场景名	资产数	说明
All assets	115,451	全部资产汇总
Assets (角色)	8,986	角色设计资产
Scene 72A	4,763	最大场景
Scene Orphanage	1,787	孤儿院场景
Credits	1,683	片尾字幕
Scene 36,38,40	1,327	多场景合并
Scene 72	1,232
Scene 42-50	1,208	多场景合并
Scene 70C	2,225
Scene 50	2,074
Scene 22	2,264
Scene 67	988
Scene 64	479
Scene 43	621
Scene 69 - Fight	146	战斗场景
Scene 73.* (多子场景)	各 48-183	子场景细分（73.1D, 73.4, 73.5D, 73.8...）
...更多场景

组织模式分析：

场景编号系统 — 主场景用整数（13, 17, 18, 22, 43, 50, 64, 67, 69, 72...），子场景用字母后缀（67A, 70C, 72A）或小数点（73.1D, 73.4, 73.5D, 73.8）
命名场景 — 有描述性名称的场景（Orphanage, Fight, Credits）
合并场景 — 相邻场景打包管理（42-50, 36/38/40）
角色资产独立 — Assets 文件夹单独管理 9K+ 角色设计资产
海量生成 — 115K+ 总资产意味着大量迭代/变体/废弃版本都保留

每个资产的可查看信息

Higgsfield 平台的「See how it was made」功能让每个资产都暴露了：

✅ 生成 Prompt — 完整的提示词文本
✅ 使用的模型 — 如 Seedance 2.0 / Nano Banana Pro 等
✅ 参考图/参考资产 — 输入了哪些 reference
✅ 参数 — 分辨率、时长、宽高比等
✅ 在 Canvas 中的位置 — 资产之间的关联关系

3. 制作方法论 — 社区逆向 Skill

社区开发者 renmu2017 已经从 Hell Grind 的公开画布中逆向归纳出了一套完整的 AIGC 视频生产工作流 Skill（MIT 许可）。

注意：该 Skill 不包含 Hell Grind 的原始视频、原始资产或全量提示词。它只包含从公开制作结构中归纳出的模型无关的工作流方法论。

十阶段生产管线

阶段	核心产物	退出条件	对应 KMC
`00_brief`	项目配置、brief	受众/时长/画幅/约束明确	≈ P01
`01_story`	故事圣经	世界规则/角色弧光/视觉母题	≈ P02-P03
`02_assets`	资产表 + 参考图	每个资产有稳定 ID + 批准版本	≈ P04
`03_scenes`	场次表	场次顺序/地点/时间/目标明确	≈ P07
`04_shots`	镜头表	每个镜头有 ID/时长/目的/接点	≈ P09
`05_prompts`	版本化提示词	主提示词/适配层/假设分离	≈ P09 prompt
`06_generations`	生成记录	每次尝试可追溯到 prompt 版本	≈ P11
`07_review`	选片 + 连续性记录	选择理由/缺陷/连续性可追溯	≈ P12 QC
`08_edit`	时间线 + 剪辑说明	画面/声音/字幕/调色版本	≈ P12
`09_delivery`	交付检查表	技术/内容/权利/归档完成	≈ P13

架构惊人相似：Hell Grind 的 10 阶段管线与我们的 KMC V8.6 13 阶段管线高度对应。说明 AI 电影制作的工业流程正在收敛到相似的范式。

4. Prompt 工程方法论

图片提示词 — 11 类信息结构

#	类别	要点
1	主体与数量	精确写明画面中恰好出现谁、多少个
2	身份锚点	稳定 ID、年龄、体型、脸特征、发型
3	外观状态	服装版本、伤势、污渍、妆发、配饰
4	动作姿态	重心、手脚位置、视线、接触关系
5	场景空间	地点 ID、时间、布局、出入口、前中后景
6	构图机位	景别、角度、机位高度、占比、留白
7	镜头语言	焦段感、景深、对焦对象、透视
8	光线曝光	主光源、方向、软硬、对比、曝光保护
9	色彩材质	主/辅/强调色、材质、磨损、60:30:10 比例
10	风格媒介	摄影/插画/动画/概念设计语言
11	技术与负面约束	画幅、用途、禁止项（额外人物、错误文字等）

视频提示词 — 12 段镜头契约

#	段落	要点
1	镜头目标与叙事功能	观众需要理解/感受/发现什么
2	精确角色数量与稳定 ID	列出允许出现的人物，明确"恰好"数量
3	当前外观与状态	服装、伤势、湿度、手持物、起始状态
4	场景空间与唯一道具	地点 ID、布局、站位、尺度参照
5	动作时间线	按秒数拆动作、碰撞、反作用力、停止状态
6	摄影机契约	起始构图、路径、速度、稳定方式、结束构图
7	光线/曝光/色彩/天气	光源方向、对比、60:30:10、材质反应
8	表演/视线/呼吸/物理	把情绪翻译成微动作，重量、惯性、环境反馈
9	连续性	锁身份、轴线、屏幕方向、动作接点、服装
10	对白与声音	说话者、逐字台词、起止时机、静默尾拍
11	针对性负面约束	只列本镜头最可能出现的错误
12	交付规格	时长、帧率、画幅、分辨率、输出用途

三种丰富度

版本	适用	特点
精简版	快速试验	最少必要结构
标准版	默认选择	完整视觉/镜头契约
导演版	关键镜头	加时间线、表演、物理、声音、连续性

Prompt 质量评分体系 (100分)

维度	分值	检查问题
意图与硬约束	25	是否忠实、无静默改写
主体与资产一致性	15	身份、数量、版本是否明确
空间/镜头可执行性	15	构图、路径、动作、时长是否可完成
光色材质与风格	10	是否具体且不冲突
连续性与物理	10	轴线、状态、重量、因果是否稳定
声音与对白	10	轨道、时机、口型、静默是否清楚
负面约束	5	少而准，针对真实失败风险
平台分层	5	主提示词与私有参数分离
可读性与可检查性	5	能否被制片逐项检查

5. 数据结构 — CSV 驱动

Hell Grind 逆向 Skill 使用 纯 CSV 文件作为单一数据源，与 KMC 的 JSON 化管线形成对比。

assets.csv

asset_id,asset_type,name,
version,status,reference_path,notes

scenes.csv

scene_id,scene_order,title,
location_id,time_of_day,
story_goal,status,notes

generation-log.csv

generation_id,shot_id,
prompt_version,provider,model,
seed,created_at,status,
output_path,cost,notes

continuity-matrix.csv

shot_id,character_ids,asset_ids,
screen_direction,costume_state,
injury_state,prop_state,
environment_state,notes

selection-log.csv

selection_id,shot_id,
generation_id,decision,
reviewer,reviewed_at,notes

project.yaml

schema_version: 1
project_id: PRJ-xxx
project_name: "xxx"
aspect_ratio: "16:9"
default_fps: 24
status: development

核心设计原则

单一数据源 — 资产事实只在 assets.csv，提示词引用 ID 不重新发明身份
追加不改写 — 每次生成都追加到 generation-log，选片追加到 selection-log
镜头状态机 — planned → prompt_ready → generated → reviewed → selected → locked
平台无关 — 主提示词不混入 provider 参数（采样器/步数/参考权重在适配层）
0 网络请求 — 本地初始化和校验不触发任何网络调用

6. 与 KMC 管线对比

维度	Hell Grind 方法论	KMC V8.6	差异/启发
阶段数	10 阶段	13 阶段 (P01-P13)	KMC 更细分
数据格式	CSV 文件	JSON / L2 blackboard	KMC 更结构化
Prompt 层次	主提示词 + 平台适配层	P09 shot-list + visual concept	Hell Grind 更清晰
资产 ID	稳定 ID (CHR-001 等)	turnaround_path + character_refs	理念一致
连续性	continuity-matrix.csv	continuity_auditor expert	KMC 有专门专家
质量评分	100 分 / 9 维度	5 维 audit + 完播率	可借鉴 9 维
生成引擎	Higgsfield SaaS (Seedance/Veo)	本地 3090 (H3/LTX-2.3)	完全不同路线
规模	115K assets / 95min	~30 shots / ~3min	Hell Grind 规模 30x
模型控制	平台控制	完全自定义	各有优劣

7. 对我们的启发

🟢 直接可借鉴

① Prompt 三层分离架构

Hell Grind 的主提示词（模型无关）+ 平台适配层（模型特有）+ 假设与待确认项三层分离比我们当前的 prompt 注入更清晰。

# Hell Grind 式结构
## 主提示词（模型无关）
画面中恰好一人 CHR-001，30岁左右、短卷发...

## 平台适配层（provider 特有）
模型: dreamina 5.0 | 分辨率: 2K | 参考权重: 0.7

## 假设与待确认项
- 未指定时间段，默认傍晚
- 未指定天气，默认阴天

② 视频 Prompt 12 段镜头契约

我们的 shot-list 字段已经很丰富了，但 Hell Grind 的「动作时间线按秒数拆分」和「针对性负面约束（只列本镜头最可能的错误）」是值得加入的维度。

③ Prompt 质量评分 100 分制

9 个维度 100 分的评分体系比我们当前的 5 维 audit 更精细。特别是「平台分层」和「可读性与可检查性」两个维度是我们缺失的。

④ 三种丰富度（精简/标准/导演）

不同重要程度的镜头用不同丰富度的 prompt——简单过场镜头用精简版，关键叙事镜头用导演版。这比我们当前一刀切的 prompt 长度更高效。

🟡 需要进一步验证

角色一致性方法 — Hell Grind 用 Soul ID 保持角色一致，效果如何需要实测
115K 资产的管理 — 这么大的资产量如何组织？是否大部分是迭代废弃版本？
场景编号系统 — 主场景/子场景/命名场景的混合编号系统是否有规则？
95min 的叙事质量 — AI 生成的 95 分钟能否保持叙事连贯？评论反应正面但需亲自看

🔴 不适用于我们的

SaaS 依赖 — Hell Grind 完全依赖 Higgsfield 云平台，我们的本地管线无法复制
闭源模型 — Seedance 2.0 / Veo 3.1 等模型我们无法本地部署
Credit 成本 — 115K 资产的生成成本在 SaaS 上是天价

8. 建议行动项

深入研究 Hell Grind 公开画布 — 注册 Higgsfield 账号，打开 Hell Grind 项目，逐场景查看实际 prompt 写法和 asset 关联关系
引入 Prompt 三层分离 — 在 KMC 的 prompt_injector / visual_executor 中实现「主 prompt + 平台适配层 + 假设」的分离架构
丰富 shot-list 字段 — 加入「动作时间线（按秒拆分）」和「针对性负面约束」两个字段
引入 Prompt 丰富度分级 — 简单过场/标准叙事/关键镜头三档，控制 prompt 长度和生成成本
评估 9 维度质量评分 — 将 Hell Grind 的 100 分制适配到我们的 P06 audit / P12 QC
克隆逆向 Skill 做参考 — git clone https://github.com/renmu2017/Hell-Grind-AIGC-Skill，用它的 validate_project.py 作为我们 pipeline audit 的补充参考

🔥 HELL GRIND 开源创作项目调研