Runway花了数周修不好的AI视频Bug，最后被做成了产品功能

Runway ML 的实时视频生成产品 Runway Characters 上线前遇到过一个顽固 bug：AI 生成的虚拟人像在实时生成过程中会不受控制地「漂移」——偏离画面中心，像是有一股看不见的风在推着它走。

工程团队花了好几周时间试图在模型层面修掉这个问题。蒸馏、对抗性后训练——各种技术手段都试过了，漂移就是去不掉。最后产品团队做出了一个多少有些反直觉的决定：不修了，把这个问题变成一个功能。

他们在前端加了一个叫「图像质量优化」的按钮。用户上传图片时点一下，系统自动把用户图片居中、对齐、优化构图，然后再喂给模型生成。用户看到的不是一个「模型有 bug 需要容忍」的提示，而是一个「一键提升画质」的便利功能。

Runway 的企业产品负责人 Ryan Phillips 在 VB Transform 2026 大会上分享了整个决策过程。他说得很实在：AI 产品的开发不是一条笔直的线，你大概率会卡在某个问题上好几天甚至好几周。关键是你要判断——有些限制能不能通过换个角度，变成一种差异化的产品体验。

这背后的方法论其实很有参考价值。Phillips 展示了 Runway 内部怎么搭建评估体系——他们不是靠直觉判断模型好坏，而是做了一套 Excel 驱动的评估流程。团队每天记录测试输出，分「轻微失败」和「严重失败」，定好通过率红线，达标就发版。现在连视觉评估的自动化都在用 LLM 替代人工了。

关于基础设施，Phillips 谈到了一个细节：Runway Characters 上线后他们发现有 8% 的 API 调用率从 24fps 掉到了 16fps。排查过程出动了 Claude 驱动的 AI 智能体，配合 Datadog 和 Sentry 做链路追踪，最终定位到 us-east-1 一个数据中心的 GPU 物理故障——解决方案是直接派人去机房里把 GPU 换了。

这条产业链的教训是：当你做的事情涉及真实世界的硬件和大量的推理调用，「稳定」不是写出来的，是一层一层排查、优化、替换出来的。

对大多数不自己做基础模型的企业来说，Runway 分享的这些经验可能比它做的产品本身更有价值——怎么评估 AI 输出质量，怎么应对非确定性漂移，怎么在预算和效果之间平衡。说到底，AI 产品成功的关键不在模型多强，而在围绕模型的系统工程有多稳。