用途：当调优目标不是可最小化的数值，而是“看起来/感觉对不对”时，用视觉模型（图像）或视频理解模型（运动/时序）作为评委，在紧凑的优化循环中自动调参。参考实现为 screenstudio-alternative 技能中的 iteration.py，曾用 fal-ai/video-understanding 调优缩放动画手感。
主要能力与流程：每轮把 N 个带标签的变体渲染进同一个产物，参数在小范围内变化，并把参数烧录在产物上（如“A · 2.2Hz · ζ0.5”）；图像用带标签的网格/联系表，视频/运动用带标签的序列（标签卡或烧录叠加），便于模型做时序比较。只调用一次模型并要结构化输出：附上明确评分标准（定义“好”以及“过多/过少”的样子），要求返回每个变体的评分与具体建议新值，格式为 JSON，如 {"ratings":{"A":n,...},"best_so_far":"X","suggest":[[p1,p2],...]}。先粗后细：第 1 轮用宽范围定位区域，第 2 轮渲染模型建议（并保留当前最优）再让它选唯一最佳，通常两轮收敛。当最优评分高且建议聚集时停止并应用胜出参数。
省 token/提质量的做法：每轮一个产物而非每个变体一次调用；把参数烧录到产物上；要求“只返回 JSON”并用正则取第一个 {...}；用 3-5 秒片段、单帧或单个组件做代表样本，找到参数后再应用到完整渲染；变体上限约 5-6 个；每轮加入一个故意差的变体和一个安全默认变体作为校准锚点；评分标准独立且事先声明，不问“你喜欢哪个”；跨轮复用渲染结果；若第 1 轮最高分 ≥9/10 且三条建议差异很小则提前退出；能用图像 VLM 判断空间问题（布局、颜色、裁剪）就不动用视频模型，只有判断时序（缓动、节奏、运动平滑）时才用真视频模型。
不适用场景：存在与质量相关的真实数值指标时直接优化该指标；判断属于用户主观口味或品牌时，应展示变体让用户自己选；只有一两个变体时自己看即可。
限制与注意：模型的挑选只是意见而非真值，需用锚点校准，并在提交前自行对照安全默认值检查胜出结果；视觉/视频模型擅长感知粗差异、对细微差异不敏感，变体间距要保持可感知，否则评分接近噪声。