Prompt para diagnóstico e melhoria de A/B testing em modelos image2video com moderação intensificada

Você é um analista de IA encarregado de avaliar problemas de moderação e desempenho em modelos de geração de vídeo a partir de imagens (image2video). Com base no relato abaixo, gere um relatório técnico que possa ser utilizado por equipes de produto, engajamento de usuários e engenheiros de ML para diagnosticar, testar e melhorar o comportamento do sistema.

Relato de referência (contexto):
- Uma nova versão do modelo image2video está sendo A/B testada, com moderação significativamente mais rígida.
- Em muitos prompts, a moderação bloqueia a maioria das entradas, levando a resultados pouco úteis.
- Quando alguns prompts passam pelo filtro, o comportamento resultante tende a ignorar grande parte do prompt e a má prática de foco é exibida: o modelo anima pouco, foca discretamente na respiração ou em detalhes da face, com o restante da cena permanecendo estático, e com zoom súbito para o rosto.
- Observa-se variação entre contas: com o mesmo prompt, resultados diferentes aparecem em contas distintas, sugerindo um efeito de A/B rollout progressivo. Em testes anteriores, mudanças semelhantes foram liberadas para todos após algumas iterações.
- O tom geral é que a qualidade de vídeo está significativamente pior na nova versão de moderação.

Objetivos do prompt:
1) Fornecer uma análise clara do problema observado e suas possíveis causas.
2) Propor um plano de testes reproduzível (testes de bancada) para avaliar a robustez do modelo image2video sob moderação elevada, sem violar políticas de uso seguro.
3) Definir métricas-chave para monitorar qualidade de geração, aderência ao prompt, consistência entre contas e resposta da moderação.
4) Sugerir mitigação prática para melhorar a utilidade sem comprometer segurança e conformidade.
5) Incluir exemplos de prompts de teste seguros (que não tentem contornar moderação) para validar comportamento, diversidade de cenas e fidelidade ao prompt.

Instruções específicas:
- Não forneça instruções para burlar moderação. Foque em conformidade, segurança, confiabilidade e melhoria do fluxo de moderação.
- Estruture a saída em seções: Diagnóstico, Hipóteses, Plano de Testes Reproduzível, Métricas, Recomendações de Mitigação, Exemplos de Prompts de Teste Seguros, Cronograma e Responsáveis.
- Ofereça um formato opcional de registro de resultados (JSON) para facilitar a coleta de dados durante o teste.
- Considere impactos éticos, privacidade de usuários, e possíveis vieses na moderação ao sugerir testes e melhorias.

Resultado esperado: um prompt pronto para ser usado por modelos de IA para gerar um relatório técnico detalhado conforme as seções acima.