被看完，
或被划走。

做短视频投放的人都遇到过这种情况：同一个账号，同一周发的十条视频，制作标准一样。一条跑到 20 万播放，其他九条几百就停了。很容易得出一个结论——全凭运气。

这篇文章不是又一篇钩子模板，模板过时快，也回答不了一个更值钱的问题：开头到底重要到什么程度——重要到值得改生产流程吗？我们从自己的经营数据和两篇学术研究里找答案，两篇研究恰好从完全不同的角度测量了同一件事。下面是我们目前看到的。我们不是研究机构，只是每天和这些数据打交道的团队，行业里一定有钻得更深的人，欢迎指正。

播放数据的真实形状

后台给你的是平均数——平均观看时长 11 秒，平均完播率 43%。这些数字容易让人以为观众是兴趣一般、看到中段慢慢走掉的。

但把后台打开逐条看留存曲线，符合「中段慢慢走掉」的视频少得可怜。真实的样子是两个极端：一条视频要么几秒内走掉大部分观众，要么把大部分人带到最后。把足够多视频的观看深度画成分布图，就是两座峰、中间一道谷——落在中间的视频极少。

这不是我们账号池的特例。2024 年，Snap 和香港中文大学在 9 万条信息流短视频上量出了同一个形状——每条至少 2000 个真实用户看过，规模足以排除噪声。他们的两个核心指标（整体观看深度、撑过前 5 秒的比例）都呈双峰分布。

两座峰说明了什么？如果每个观众看每条视频都像抛硬币，各条视频的平均值会堆在中间，一座峰而不是两座。两座峰意味着相反的情况：面对同一条视频，几千个陌生人做出了高度一致的判断。视频不是在抽奖，是在被投票，而且票数几乎从来不是五五开。

一条「平均完播 45%」的视频，很少是所有人都看了一半。通常是两群人：一群几秒就走了，一群看到了最后。

（精确地说：论文测到的双峰是「视频之间」的分布。「单条中等完播的视频，内部通常也是秒走和看完两群人」是我们看客户留存曲线得出的判断——拉一条你自己的曲线就能验证。）不管按哪个口径，这张图都改变了「优化视频」的含义：结果既然只有两个极端，把整条视频做好 10% 没有意义，目标是把它从左峰挪到右峰。

前 5 秒的权重

「前三秒很重要」谁都会说。但重要到什么程度？我们用自己的数据算了一遍。

我们帮品牌运营的 TikTok 账号每天产生逐秒留存曲线。取其中 1 万条已授权视频——10 到 60 秒、播放量至少一千、来自官方接口——先看流失速度：

一半以上的观众在第 5 秒之前就走了。但悬崖本身不是最重要的发现——下面这个数字才是。

控制视频时长后，5 秒留存与整体观看深度的排序相关在我们账号上是 0.83。也就是说，只看前 5 秒的表现，基本就能排出整条视频会被看多深。

还有一个数字补上最后一环：开局最强的三分之一视频里，最后掉到观看深度末尾三分之一的只有 3.6%。「开头强、中段崩」这件事几乎不存在，流失就发生在开头。

你可能会说：这不是废话吗？看得深的人当然撑过了第 5 秒。但这两个指标不是同一个测量。一条视频完全可以让所有人撑过开头、然后第 10 秒集体流失——那样 5 秒留存很高，但观看深度很低。相关性高到这个程度，说明这种情况几乎不发生。视频命运的分岔口就在开头，过了岔口，走势基本定了。

没有人会被一个自己没看到的精彩结尾打动。

还有一个更现实的原因：平台看的也是这些数字。这项研究的背景是推荐系统的「冷启动」问题——新视频发布后，平台先给一小批测试流量，然后快速决定要不要继续推。论文的目标就是在观众到来之前、只靠内容预测留存。你的开头要过两关：先过观众，再过学着预测观众的模型。（说明：论文研究的是 Snapchat 的冷启动。「主要平台都用类似逻辑给新视频评分」是我根据流量分配方式做的判断，不是论文数据。）

（数据说明：我们的数字取自 2026 年 7 月最新快照，已授权账号，TikTok 官方 Business 接口。是我们的账号池，不是全平台抽样。）

什么才真正预测「有人看」

视频数据不好时，一个常见反应是换相机、精修调色、上稳定器。研究者的先导实验直接测了这条路。他们拿两个专业的视频质量模型——UVQ 和 DOVER，都是学人类对清晰度和观感打分的——去预测真实观看时长。为了公平，只让时长接近的视频互相比。

结果在 0.07 到 0.31 之间。知道一条视频「拍得漂亮」，对判断「有没有人继续看」几乎没用。行业一直在测量的那种质量——分辨率、稳定性、观感——在真实观看行为里测不出多少作用。原因还是那张双峰图：大多数观众离开时，你的制作水准还没来得及展示。

那什么有用？做创意做久了，我们心里有个粗排序——意义大于声音、声音大于精致——但一直只是直觉。这项研究把它量了出来：他们搭了一个直接读内容的模型，一次加一种信号，看预测准确率怎么变：

算总账：所有信号加起来也只比光看画面多涨 0.07——其中近一半（+0.032）来自同一行：机器「看懂画面」。每一行对应一个「劲该往哪使」的判断：

1. 视觉基础 — 0.625，基线。 只看画面——画质、画面内容、有没有动——就能到 0.625。观看行为里很大一部分，光看画面就能预测。
2. 声音与音乐 — 涨到 0.636。 有提升，但不大。声音带的是节奏和氛围——观众还没看懂内容，先感受到调性。值得有，别高估。
3. 标题与描述 — 涨到 0.651。 创作者自己写的文字比声音更有用。标题决定观众带着什么预期点进来，预期对上了人就留得住。
4. 自动字幕句 — 涨到 0.657。 让机器把视频概括成一句话，只涨一点。一句话丢的信息太多——那个机器真正值钱的不是它写出的句子（看下一行保留项）。
5. 语音转写 — 放弃（−0.004）。 反直觉的一行：把视频里说的话全部转成文字，效果不升反降。降幅很小，单看只算弱信号。但结合两个事实——这批视频只有约三成有有效语音，而且划走的决定通常发生在话说完之前——我们的读法是：开头别把宝押在「说」上。
6. 机器「看懂画面」 — 涨到 0.689，最大增量（+0.032）。 主菜。做字幕的那个模型在学习描述视频的过程中，先形成了对画面的内部理解：谁在镜头里、在做什么、什么场景。研究者跳过它生成的文字，直接把内部理解拿去做预测——单步 +0.032，是第二名（标题，+0.015）的两倍多。这一行就是全文核心判断的数据来源：决定观看的是画面里的意义，不是精致程度。
7. 审美 — 涨到 0.696，最后一点缀（+0.007）。 构图和美感有用，但只值保留项里最小的一步。手艺是加分项，不是入场券。
8. 情绪标签 — 放弃（−0.006）。 给画面打「开心/悲伤」标签，效果也略微变差。至少说明：单帧的粗颗粒情绪分类没有帮上忙。「情绪钩子」这个说法在这个颗粒度上，这份数据没能给它撑腰。

最公平的对比：把最强的质量模型（DOVER）放到同一批真实数据上重训，还是比不过读内容的模型（DOVER 重训后 0.635；内容模型 0.696）。内容信号不是赢在对手没调好——是信息量真的更大。（别把这个 0.70 和前面的 0.926 弄混：那个是行为预测行为，这个是内容预测行为——观众还没看就要预测，难度大得多，天花板自然低。）

还有一点对没有粉丝基础的账号很重要：这个模型完全不用账号数据——没有粉丝数、没有历史表现，因为它就是为冷启动设计的。留存里能被预测的部分，全在内容本身。

开头几秒，眼睛在做什么

我们审素材时有个习惯性的第一检查：首帧有没有给眼睛一个落点？这原本只是剪辑师的直觉。马里兰大学的一项眼动研究把它变成了可测量的东西。

151 条约 30 秒的电视广告，每条约 20 人观看，眼动仪逐秒记录每个人看向哪里。看懂结果只要两个概念。显著性图（saliency map）：一帧画面上「眼睛落在哪」的热力图。熵（entropy）：把分散程度压成一个数——熵低，所有人看同一处；熵高，二十个人看向二十个地方。

看两个极端就明白了。最聚焦的 10% 画面几乎都是同一类东西：居中的脸、一个人物、举到镜头前的产品。最分散的 10% 里是多个物体加多处文字在抢注意力。对快速扫过的眼睛来说，三个看点等于没有看点。

最实用的发现跟转场有关。这些广告平均 30 秒切 15.6 个镜头，差不多两秒一切。每次切镜，目光的分散度都会跳高——观众在找新落点——找到后才降回来。每次转场都在重新试镜。快剪的开头不等于强开头，它是一连串可能丢人的节点，每个都要重新赢一次。

另一个发现：镜头很少坏一半。平均熵高的镜头通常整段从头散到尾。一个镜头如果散了，修一两帧救不回来，要么重剪，要么整段换掉。

研究团队还训练了一个模型，只看视频就能预测注意力分布，不再需要眼动仪。预测与实测的相关是 0.51——不算高，但足够在发布前标出哪几秒需要重看。方向比数字重要：注意力诊断正在从发布后的复盘变成发布前的检查。

把两组证据放在一起：一组说结果是二元的——被看完，或被划走，中间几乎没有人；另一组说开头的机制也是二元的——目光要么锁住一个点，要么散开。数据、国家、屏幕都不同，但讲的是同一个开头几秒，结论对得上。

六条生产规则

下面六条不是开头模板——模板到处有，过时也快。这是生产流程层面的规则，公式换了它们还成立。它们直接来自上面的证据，我们内部就这么用。觉得有用的拿走。

1. 把前 5 秒当成独立作品来验收。 开头不是视频的一部分，它决定后面的内容有没有机会被看到。单独回看你的前 5 秒：用手机、信息流速度、先静音看。很多人刷视频不开声音，声音是加分项不是及格线（特征阶梯也印证了这点：声音只值一小级）。验收标准只有一条：关掉声音，陌生人能不能说出这条视频讲什么、跟他有什么关系？数据上，把 3 秒率和 5 秒率当一级指标。拉出最近 20 条视频，先按 5 秒率排序、再按完播排序，看两个名次差多少。
2. 用曲线诊断，不用平均数。 「平均完播 45%」说明不了典型观众长什么样，它是两群人的混合。拉留存曲线看：悬崖在前 5 秒以内，是钩子问题——这篇文章就是对策；观众撑过了开头、中段持续流失，是另一种病——叙事节奏的问题。后者更少见（想想那个 0.83），值得单独讲——下一篇我们就写它。曲线就在创作者后台，平均数掩盖你得的是哪种病，曲线一眼就能看出来。
3. 开局一帧，只放一个锚点。 什么聚拢注意力，眼动数据说得很清楚：一个居中的主体——一张脸、一个产品、一行字。反例：产品 + 价格标 + logo + 歌词字幕同框，四个焦点等于没有焦点。正例：一只手把产品举到画面正中，配一行不超过八个字的大字。各品类都一样——口播：脸加一行结论字幕，不是频道片头；教程：直接亮成品，不是「大家好」；剧情：开在冲突最高点，不是铺垫的第一格。第一帧照海报思路设计，别做成拼贴画。（这条的证据来自电视广告的眼动实验：机制可以参考，数字别照搬。）
4. 每次转场都是重新试镜。 每次切镜，注意力都要重新找落点，短视频平均两秒切一次。让连续性穿过转场——主体位置、运动方向、一条视觉主线——让眼睛不用找就能落地。一个镜头如果散了，整段重剪：数据说镜头很少只坏一半。
5. 版本化开头，而不只是版本化整条视频。 裁决发生在 5 秒内，测试就该发生在 5 秒内。同一个正片配三四个不同开头，比做四条不同视频是更好的实验——成本低，而且隔离出了真正起作用的变量。备选开头从哪来？正片里通常就埋着比当前更好的开头：把中段信息密度最高的两秒挪到最前面；直接用成品开场，跳过铺垫；把最有力的一句话做成第一帧大字。投放账户直接把不同开头当独立素材 A/B；自然流量账号隔一两天发、正片做点剪辑差异——别原样重发，可能被判重复内容。完全没预算？把三个开头给五个人看，问哪个让他们停下来。
6. 下午的时间花在开头上，不是花在调色上。 特征阶梯把回报写得很直白：意义和声音承载预测，审美只贡献最后一个百分点。调色、镜头升级、更稳的云台都是真手艺，但排在那道门后面。同样一个下午，五个备选开头还是再精修一轮调色——数据已经给出答案了。

最后放一组我们自己的数据，佐证第 5 条「测试」的那半边：赢家存在，而且不大的测试量就能把它找出来。

过去 90 天，我们帮一个消费品客户在 TikTok 上跑矩阵投放：同一个产品、同一批账号，36 个创意格式、共发布 962 条，每个格式的发布量刻意拉平在 16 到 34 条。（这里的「格式」指一整套创意样式——首图怎么开、文案结构、节奏。开箱、对比、情景剧，就是三种不同的格式。）

方法局限说明：这不是「只改开头」的干净实验，格式之间首图、文案、节奏都不同。但至少在我们的投放里，这个结论每周重复：赢家存在，赢家和平均水平的差距不是百分之几十而是几倍，每个格式二三十条就够找出来。（数字取自 2026 年 7 月 7 日后台记录，未经修饰，客户信息隐去。）

这些研究没有证明什么

即便有这些局限——两个独立团队、两种完全不同的方法（平台日志、实验室眼动仪），指向同一幅图景：裁决发生得早，注意力要么被抓住、要么在流失。我们每天在后台看到的也是这个形态。样本当然有限，但足够让我们围绕一个假设建立生产流程：裁决在前几秒，创作和测试就应该集中在前几秒。