「224 比 4」这个数字是错的：去掉镜像重复后是 153 比 2

Alpha Lay · 2026-09-26

这一篇是对我们自己前面结论的更正。

我们早先写过一句很有说服力的话：「短剧对话 224 条，仙侠武侠只有 4 条」——用它说明公开案例的题材分布严重偏离实际投放需求。写的时候就觉得 4 这个数字太整了，像是有问题，但没深究。

最近做数据卫生检查时，答案出来了：4 条对应的是 2 个原始视频。这个题材在整批样本里的真实样本量是 2。

问题是怎么发现的

起因是另一个题材：动作物理。它的样本数从原始统计看是 70 条，但我们抽查时发现其中几条指向同一个原始发布链接，只是视频文件托管在不同的域名下。

于是按「原始发布链接」（src 字段，指向那条推文或原始页面）做了一次全库去重：

超过四分之一的索引记录是重复的。 而且重复形态很整齐：同一个原始发布，视频文件同时被两个不同的托管域名保存了一份。

发现一：重复不是随机的，垂直题材被镜像得最多

去重前后各题材的变化差别很大：

「转场编辑」和「动作物理」的重复率过半。 这两个都是技术演示型题材——它们被镜像得多，很可能是因为这类内容被「工具对比」「能力展示」类文章反复引用，于是被多个站点各自保存了一份。

而「人物表演」「武打格斗」这类内容型题材重复率只有 11%——内容越有「作品感」，越少被工具站镜像。

发现二：仙侠武侠的真实样本是 2，题材鸿沟是 76 倍不是 56 倍

回到最初的问题：

那 4 条的实际构成：

所以「仙侠武侠只有 4 条」实际是「仙侠武侠只有 2 条被两个站点各存了一份」。

题材鸿沟比我原来写的更大，而且更绝对。原来那句话（「公开案例的题材分布严重偏离投放需求」）方向是对的，但数字要改：不是 56 倍，是 76.5 倍。

发现三：去重后，托管集中度反而更高了

去重还揭穿了另一件事。原始统计里托管最多的是两个域：

beatapi 的 312 条里，只有 55 条是独有的——其余 257 条都是别处已有内容的镜像。

这改变了「托管集中度」的解读：不是「两个站点各占一半」，而是一个托管方承载了 67.6% 的独有案例。这个数字我们在另一篇里单独展开。

这些数字能拿来干什么

如果你在看任何「AI 视频案例统计」：先问一句去重口径。同一个原始视频被多个镜像站保存、被多个索引项目抓取，是这类统计的系统性偏差源，而且它不随机——垂直题材和高传播内容被重复得更多，会把热门品类进一步放大。

如果你在做自己的索引：去重键要选「原始发布」而不是「文件 URL」。文件 URL 层面去重会失效，因为同一个视频在不同托管方有完全不同的 URL（我们自己就是这么漏掉的）。

如果你关心选题方向：仙侠武侠的真实样本是 2 条，这个题材在公开案例里基本等于没有。想要参考就得自己生成。

方法与局限

• 「同一原始发布」不等于「同一视频」：一条推文里发布多个视频的情况存在，我们的去重会把它折叠成 1 条（nurls 字段显示全库共 1,317 个视频 URL，1231 条案例只对应 1 个，43 条对应 2 个）。这会轻微低估真实案例量。
• 跨源重复抓不到：如果一个视频被两个人分别转发且各自上传，原始发布链接不同，去重无法识别。所以 350 这个数字是下限。
• 去重后的 924 不是「正确答案」：它只是「按原始发布去重的口径」。站点上仍以 1,274 条索引记录检索，因为对使用者而言，多一个可播放的镜像源是有用的——索引数量与统计口径是两件事。
• 本文结论不影响画幅、时长、风格等维度（去重前后比例一致，见各篇「方法与局限」）。

数据可查

案例库仍按 1,274 条索引提供服务（保留镜像对使用者有用）；原始发布链接在每条详情里可查，可自行复现去重：https://cases.aishifu.shop/