Boucle critique pour agent vidéo IA : contrôle qualité fiable

Un agent vidéo IA a besoin d'une décision d'acceptation distincte après génération. Une tâche peut se terminer avec succès tandis que le clip change un visage, déforme un produit, invente du texte de libellé ou se termine sur une image qui ne peut pas se connecter au plan suivant. Une boucle critique détecte ces défaillances, explique ce qui s'est rompu et renvoie uniquement le plan affecté pour réparation.

Ceci est un workflow d'évaluation-optimisation appliqué à la production vidéo. Le générateur crée un clip ; le critique le compare avec des critères explicites ; l'agent accepte, répare, escalade ou s'arrête.^[1]

TL;DR

• Écrivez un contrat de plan avant génération. Séparez les détails qui doivent rester fixes des mouvements, éclairages et changements de caméra autorisés.
• Exécutez des vérifications déterministes en premier : statut de la tâche, URL de sortie, lisibilité du fichier, durée, dimensions et présence audio.
• Faites retourner au critique des preuves et une portée de réparation, pas une note de qualité vague.
• Réessayez uniquement le plan échoué et préservez chaque partie qui a déjà réussi.
• Fixez un plafond pour les tentatives terminées. Une boucle sans condition d'arrêt peut transformer un plan difficile en facture ouverte.
• Gardez une porte humaine pour les ressemblances, le texte juridique, les revendications de marque et le montage final.

Pourquoi une génération terminée n'est pas un plan accepté

L'infrastructure de génération et l'examen créatif répondent à des questions différentes. Le système de tâches sait si un fournisseur a retourné un fichier. Il ne sait pas si la bouteille a gardé ses proportions, l'acteur est resté reconnaissable ou la dernière image correspond au storyboard.

Cette distinction affecte aussi les coûts. Sur reAPI, les tâches completed signalent les frais réglés dans usage.credits, tandis que les tâches échouées sont remboursées à la fin du workflow si celui-ci échoue.^[3] Si une tâche se termine et votre équipe rejette le clip pour un défaut créatif, c'est toujours une génération terminée. L'application a donc besoin d'un budget pour les nouvelles tentatives créatives, même quand les défaillances fournisseur ne coûtent rien.

Traitez le résultat de génération comme un candidat, pas l'actif terminé.

Étape 1 : Donnez à l'agent vidéo IA un contrat de plan

Un critique ne peut pas prendre une décision cohérente à partir de « est-ce que ça a l'air bien ? » Écrivez les règles d'acceptation avant la première requête pour que le planificateur, le générateur, le critique et l'examinateur humain jugent la même chose.

{
  "shot_id": "03-product-orbit",
  "intent": "Reveal the side label while keeping the bottle centered",
  "must_keep": [
    "bottle silhouette and cap width",
    "label colors and aspect ratio",
    "no added words or marks",
    "single continuous shot"
  ],
  "allowed_change": [
    "camera moves 30 degrees left",
    "background becomes slightly warmer"
  ],
  "end_state": "front label readable and product centered",
  "max_completed_attempts": 3,
  "max_provider_failures": 2
}

Le contrat devrait décrire des conditions observables. « Premium », « cinématique » et « beau » peuvent appartenir au brief créatif, mais ce sont de mauvaises règles de passage/rejet. « Largeur de capuchon inchangée » et « pas de texte ajouté » sont plus faciles à inspecter et réparer.

Si le travail nécessite une préparation détaillée de référence produit, utilisez le workflow e-commerce Seedance 2.5. Si la défaillance est une dérive d'identité entre plans, le workflow de cohérence de caractères GPT Image 2 et Seedance couvre le package de référence et l'échange de continuité. La boucle critique se situe au-dessus de l'un ou l'autre workflow plutôt que de le remplacer.

Étape 2 : Rejetez les défaillances techniques avant d'utiliser un critique modèle

Chaque vérification n'a pas besoin d'un autre appel IA. Utilisez le code pour les faits que le code peut vérifier, puis réservez le jugement visuel à un évaluateur multimodal ou une personne.

Cet ordre est important. Demander à un modèle de vision d'évaluer un fichier corrompu gaspille du temps et produit des retours ambigus. Une porte technique propre donne au critique des preuves valides à inspecter.

Le même principe apparaît plus largement dans l'évaluation des agents : les evals utiles mélangent les méthodes, et aucune couche unique n'attrape chaque problème.^[2]

Étape 3 : Demandez au critique les preuves, la sévérité et la portée de réparation

Un score global cache la décision dont vous avez réellement besoin. Un critique retournant 0.78 ne dit pas à l'agent s'il faut régénérer le plan, réparer l'audio ou envoyer le clip à une personne.

Utilisez plutôt la sortie structurée :

{
  "decision": "repair",
  "severity": "hard_fail",
  "failed_check": "bottle geometry changes during the orbit",
  "evidence": {
    "time_range": "4.2s-5.0s",
    "observation": "cap narrows and label aspect ratio shifts"
  },
  "repair_scope": "shot_03_only",
  "preserve": ["camera path", "lighting", "duration"],
  "next_instruction": "reinforce product geometry from the identity reference"
}

Gardez le vocabulaire du critique petit. Quatre décisions suffisent généralement :

• accept : chaque règle stricte a réussi;
• repair : l'échec a une portée étroite et actuelle;
• human_review : les preuves sont ambigües ou le jugement est sensible;
• stop : le plafond de nouvelles tentatives ou le budget a été atteint.

Cette structure prévient une défaillance courante dans le QA vidéo automatisé : le critique réécrit le brief entier après avoir trouvé un défaut local.

Étape 4 : Réparez uniquement ce qui a échoué

La réparation sélective est le principal avantage économique de la boucle. Si cinq plans réussissent et le sixième a une mauvaise dernière image, n'envoyez pas la séquence complète à travers la génération.

Ne laissez pas le critique introduire une deuxième direction créative. Son travail est de comparer, diagnostiquer et contraindre la prochaine tentative. Le planificateur possède le brief.

Étape 5 : Fixez un budget de réessai et une règle d'arrêt

Chaque boucle automatisée a besoin d'une sortie. Le guide des évaluateurs-optimiseurs d'Anthropic recommande le pattern quand les critères d'évaluation sont clairs et les retours peuvent produire une amélioration mesurable ; c'est un mauvais ajustement quand le critique ne peut pas articuler une correction utile.^[1]

Utilisez à la fois un plafond de tentatives et un plafond de dépense :

plafond de retries créatifs =
  tentatives terminées maximum × coût estimé de tâche terminée

L'estimation vient du tarif en direct du modèle choisi. Le montant réglé vient de usage.credits de la tâche ; lisez cette valeur au lieu d'essayer de reconstruire les règles de facturation spécifiques au modèle dans le client.^[3]

Une politique d'arrêt pratique pourrait escalader quand la même règle stricte échoue deux fois, quand la prochaine réparation changerait une propriété précédemment acceptée, ou quand le budget restant ne peut pas couvrir une autre tentative. Ce sont des décisions de produit, pas des limites de modèle universelles.

Une implémentation minimale de boucle critique

La boucle peut se situer au-dessus de n'importe quel modèle vidéo asynchrone. Le modèle média génère ; l'application stocke l'id de tâche, attend un état terminal, exécute les vérifications techniques et appelle le critique uniquement sur une sortie valide.

type CriticDecision =
  | { action: 'accept' }
  | { action: 'repair'; repairPrompt: string }
  | { action: 'human_review'; reason: string }
  | { action: 'stop'; reason: string };

async function produceAcceptedShot(contract: ShotContract) {
  let request = contract.initialRequest;
  let completedAttempts = 0;
  let providerFailures = 0;

  while (
    completedAttempts < contract.maxCompletedAttempts &&
    providerFailures < contract.maxProviderFailures
  ) {
    const task = await submitVideo(request);
    const result = await pollUntilTerminal(task.id);

    if (result.status === 'failed') {
      providerFailures++;
      continue;
    }

    completedAttempts++;
    await runDeterministicMediaChecks(result.output.video_urls[0], contract);
    const decision: CriticDecision = await reviewShot(result, contract);

    if (decision.action === 'accept') return result;
    if (decision.action !== 'repair') return decision;

    request = applyNarrowRepair(
      contract.initialRequest,
      decision.repairPrompt
    );
  }

  return { action: 'stop', reason: 'attempt or provider-failure ceiling reached' };
}

Le code de production a aussi besoin de persistance, de timeouts, de gestion des limites de débit et d'un enregistrement de la sortie que l'humain a finalement approuvée. Plus important encore, ne soumettez pas un doublon simplement parce que le client a cessé d'attendre. Les tâches vidéo peuvent s'exécuter pendant des minutes, et le point de terminaison de tâche fournit l'état faisant autorité.^[3]

Où reAPI s'inscrit dans un workflow d'agent vidéo IA

La boucle critique ne devrait pas dépendre d'un modèle vidéo. Le planificateur peut avoir besoin d'une longue prise pour un plan, un contrôle de référence plus fort pour un autre, ou une route de brouillon moins chère pendant que la direction visuelle est incertaine.

reAPI expose les modèles vidéo actuels via un seul catalogue et utilise un cycle de vie de tâche asynchrone pour la génération média.^[4] Cela garde la soumission, le polling, l'usage réglé, la gestion des défaillances et le stockage de sortie cohérents tandis que les champs de requête spécifiques au modèle restent explicites. L'agent peut changer de modèles sans prétendre que leurs surfaces de contrôle sont identiques.

Commencez par le catalogue de modèles vidéo, puis utilisez la documentation du modèle sélectionné pour ses champs réels. Utilisez la référence canonique de l'API Tasks pour le polling, la sortie, l'usage, les erreurs et la sémantique de remboursement.

FAQ

Est-ce qu'un critique vidéo IA a besoin de regarder la vidéo entière ?

Pas toujours. Les vérifications déterministes peuvent inspecter les métadonnées, tandis qu'un critique visuel peut commencer par des images échantillonnées et les états de début et fin prévus. Le mouvement continu, la synchronisation labiale, le son ou les artefacts de courte durée peuvent nécessiter une examen complet de la vidéo et de l'audio. Escaladez quand l'évaluateur disponible ne peut pas inspecter les preuves pertinentes.

Le générateur et le critique devraient-ils utiliser le même modèle ?

Ils peuvent, mais ils n'ont pas à le faire. La séparation des rôles compte plus que le nombre de fournisseurs de modèles. Le critique a besoin du contrat, des preuves de sortie et d'un schéma de décision contraint ; il ne devrait pas hériter de la permission de réécrire le brief créatif.

Combien de retries un agent vidéo IA devrait-il permettre ?

Il n'y a pas de nombre universel. Fixez le plafond à partir de l'importance du plan, du coût de génération terminée, du délai de livraison et de la probabilité que le retour du critique puisse changer le résultat. Escaladez les défaillances strictes répétées au lieu de boucler jusqu'à la disparition du budget.

Les générations vidéo échouées sont-elles facturées sur reAPI ?

Les tâches échouées sont remboursées automatiquement. Un clip terminé que votre critique rejette pour des raisons créatives est toujours une tâche terminée et signale ses frais réglés dans usage.credits.^[3]

Quelles vérifications devraient toujours nécessiter une personne ?

Gardez une décision humaine pour les revendications juridiques ou factuelles, les ressemblances identifiables, le texte de marque critique, les contenus sensibles et l'approbation éditoriale finale. Les vérifications automatisées devraient réduire la file d'attente d'examen, pas assumer silencieusement la responsabilité.

Conclusion

Un workflow d'agent vidéo IA devient utile quand il peut rejeter un plan techniquement réussi mais inutilisable. Définissez le contrat en premier, utilisez le code pour des vérifications objectives, exigez des preuves du critique, réparez uniquement la portée échouée et arrêtez-vous quand le budget ou la qualité du retour s'épuisent. La boucle ne garantit pas une génération parfaite. Elle empêche un mauvais plan de devenir tranquillement le problème de l'éditeur.

Références

1. Anthropic. Building effective agents: evaluator-optimizer workflows, gates, and stopping conditions. Retrieved August 27, 2026 from anthropic.com
2. Anthropic. Demystifying evals for AI agents. Retrieved August 27, 2026 from anthropic.com
3. reAPI. Tasks API: polling, usage.credits, status values, and refund behavior. Retrieved August 27, 2026 from reapi.ai/docs/api/tasks
4. reAPI. Live model catalog and video model availability. Retrieved August 27, 2026 from reapi.ai/models

Further reading

• reAPI. Seedance 2.5 for E-commerce Video: A Real Workflow. reapi.ai/blog/seedance-2-5-ecommerce-video
• reAPI. GPT Image 2 + Seedance 2.0: A Character Consistency Workflow. reapi.ai/blog/gpt-image-2-seedance-2-0-character-workflow
• reAPI. AI video generation API comparison. reapi.ai/blog/best-ai-video-generation-api-2026