# 设计决策与踩坑记录

本文件记录"为什么这样做"：模型/参数选择的实测依据、历史事故与踩坑。
**当前生效的规则**以对应专题文档为准（本文件只解释理由）：

- 节点参数与默认值：[node-protocol.md](./node-protocol.md)
- 工作流与模型配置：[workflows.md](./workflows.md) / [configuration.md](./configuration.md)
- 代码缺陷与修复过程：[代码审查问题跟踪.md](./代码审查问题跟踪.md)

## 帧文件必须按帧号数值排序（14236 帧事故）

- **现象**：run_339ec7ee437f 的 14236 帧任务中，字幕时间与图像错位。
- **根因**：ffmpeg `%04d` 编号超过 9999 帧后扩为 5 位，字典序 `sorted()`
  会把 5 位编号排在 4 位之前。
- **结论**：帧文件必须按帧号数值排序读取（`_sorted_frame_files`），
  回归测试见 `test_frame_files_read_order_matches_frame_number`。

## glm-ocr 重复循环问题与源头修复

- **根因**：glm-ocr 生成阶段存在已知 bug（M-RoPE delta 未传递，大图触发
  重复循环；GitHub #454 / #16892）。`keep_alive` 与其无关（实测无效）。
- **修复路径**（现行防护措施见
  [node-protocol.md](./node-protocol.md#glm-ocr-调用与重复循环防护)）：
  1. `frame-extract` 裁切后把帧压缩到 720p 内——过大输入图是触发条件之一。
  2. `vlm` 请求体加 `repeat_penalty` + `num_predict` 压制重复。
  3. `subtitle-ocr` 用 `max_result_chars` 把超长输出判为异常并跳过该帧。

## llm-filter 的 LLM 分类层默认关闭

- **决策（2026-09）**：`llm-filter` 只跑确定性规则层，LLM 五类分类层默认关闭
  （`use_llm=0`），需显式 `use_llm=1` 才启用。
- **依据（run_ac7f480a3ccb 逐类人工审查）**：LLM 层额外删除的 131 条中
  **56%（73 条）是真实对话**（`好好教育她一番吧`/`腿不要合上`/
  `这家医院 为VIP患者提供了特殊服务`），而它真正抓住而规则层抓不到的仅
  58 条且大半可正则化（已下沉到规则层）；`repeat` 类别 67 条判定零删除；
  长文本保护等五套机制全在给不稳定分类器兜底。
- **效果**：关闭后真实数据保留 863 条（旧 588 条）、**误删真对话 0 条**
  （旧 73 条）、无 LLM 调用。
- **启用时保留的机制**：每条连同前后各 `context_size`（默认 10）条**过滤后**
  文本判断（上下文净化），≥`min_keep_len`（默认 12）时 noise 不构成删除依据
  （长文本保护），429/5xx 指数退避 + 自适应线程池 `report_failure()` 降并发后
  重试一轮，判定成功即追加 `filter_partial.jsonl` 断点存档；按文本去重。
- **复现**：`scripts/regenerate_filter_ac7f480a3ccb.py`，
  回归数据 `tests/nodes/test_llm_filter/data/ocr_srt_run_ac7f480a3ccb.srt`。

## 翻译模型默认值切换与 subtitle-correction 例外

- **默认切换（2026-09）**：`LLM_MODEL` 由 `Qwen/Qwen3.6-35B-A3B` 改为
  `Qwen/Qwen3.5-35B-A3B`——同片 2 小时日语 ASR 全量对比，质量持平、
  0.232 s/行（评测中最快）。
- **例外**：`subtitle-correction` 节点**有意**保留旧兜底
  `Qwen/Qwen3.6-35B-A3B`——该节点错听泛化实测新模型 0/4、旧模型 4/4
  （复现：同一误听场景各跑 4 次），见 `tests/test_llm_default_model.py`。
- **评测数据**：`data/experiments/translate_models/REPORT.md`，
  工具链 `scripts/bench_translate_models.py` 等。

## whisper large-v2 vs large-v3 切换

- **决策（2026-09）**：通用转写模型从 large-v3
  切到 `faster-whisper-large-v2`。
- **依据**：savr-1054 全片 A/B 实测，无 VAD 幻觉长段归零、开头漏句救回，
  VAD 链路条数与覆盖小幅领先。
- **数据**：`data/experiments/whisper_v2_vs_v3/`，
  脚本 `scripts/compare_whisper_v2_vs_v3.py`，
  调研记录 [调研-whisper漏句与decode_full验证.md](./调研-whisper漏句与decode_full验证.md)。

## VR 字幕景深与遮挡方案选型

- **结论**：采用 **A-1 零视差**（字幕固定在屏幕平面，不做景深偏移）+
  **B-1 顶部安全区**（`an8` 顶部居中，`margin_top` 默认 700），
  并用半透明填充 + 半透明描边降低遮挡感。
- **调研全文**：[VR双目字幕景深与遮挡调查报告.md](./VR双目字幕景深与遮挡调查报告.md)。

## 批量任务先写明细再排队（CREATING 状态）

- **现象**：新建批量任务后偶发任务被标 COMPLETED、`done=0/N`，剩余视频永远不再
  被处理（例：`batch_ac585c5458de` 唯一明细还 PENDING 而任务已 COMPLETED）。
- **根因**：`create_job` 先把任务行以 QUEUED 入库（此时引擎就看得见），再逐条登记
  明细（扫描媒体库时 500+ 条要数秒）；引擎轮询到的快照可能没包含剩余明细，收尾时
  “无未结束明细”检查也看不到它们，于是把任务标 COMPLETED。
- **结论**：任务行改以 `CREATING` 入库，明细全部登记完才置 QUEUED（引擎只取
  QUEUED）；登记中途异常置 FAILED 并抛给路由；启动时把上一进程遗留的 CREATING
  统一置 FAILED（`fail_creating_batch_jobs`），避免静默残留。
- **旧数据修复**：`scripts/fix_zombie_batch_jobs.py` 仍用于处理历史
  “COMPLETED 但仍有未结束明细”的脏数据。回归测试见 `test_batch.py` 的
  `test_job_hidden_from_engine_until_details_written`。

## 批量流水线按 GPU 资源调度（而不是按"是否云端"分支）

- **现象**：LLM 走线上端点时翻译阶段不占显存，但组内阶段仍是"先全部提音、再全部
  转写、再全部翻译"的串行推进，翻译期间 GPU 全程空闲（实测 19.6W / 272MiB，
  占整轮挂钟约 40%）。
- **结论**：阶段能否启动只看资源。`wov_app.resources.stage_gpu_need_mb` 给出每个
  阶段的显存需求（whisper 按权重 ×1.45、本机 LLM 端点按预留、线上端点为 0），
  进程内 `GpuGate` 负责准入：不需要 GPU 的阶段立刻放行（转写与线上翻译并行）；
  需要 GPU 的阶段互斥，并按"阶段索引最小者优先"派发，组内因此仍是先跑完全部转写
  再进翻译——本机 Ollama 模型每组只加载一次，行为与旧实现一致。
- **为什么不是"配置分支"**：代码不判断端点是不是云端，只读"这个阶段要不要占
  GPU、现在够不够"。同一份代码在本机模型下自动退化为串行、在线上模型下自动并行。
- **降级**：探测不到 `nvidia-smi` 时退化为 GPU 阶段互斥（与串行结果一致）；
  局域网地址上的本机 Ollama 需用 `WOV_LOCAL_MODEL_HOSTS` 声明，否则会被当成远端。
- **并发写**：流水线多线程写产物/进度，SQLite 开 WAL + busy timeout
  （`WOV_DB_BUSY_TIMEOUT_SECONDS`）。

## 相关文档

- 当前生效的参数与协议：[node-protocol.md](./node-protocol.md)
- 运维语义与批量流程：[operations.md](./operations.md)
- 缺陷 ID 与验收标准：[代码审查问题跟踪.md](./代码审查问题跟踪.md)