Jak utrzymać spójność postaci między ujęciami wideo AI
Utrzymanie tego, by postać wyglądała tak samo w wielu ujęciach wideo AI, to najtrudniejszy problem w generowanym filmie. Każdy model dyfuzyjny odbudowuje każdą klatkę z losowego szumu bez trwałej pamięci twarzy (Higgsfield, 2026). Sam tekst jest zbyt zgrubny, by ustalić tożsamość. Ten przewodnik po ai-video-character-consistency przeprowadza przez jeden obraz odniesienia, jeden zablokowany blok tożsamości i przepływy pracy specyficzne dla modelu dla Runway Gen-4.5, Seedance 2.5, PixVerse V6, Veo 3.1, Kling 3.0 i Sora 2.
Zastrzeżenie: poniższe metody opierają się na oficjalnej dokumentacji modeli i przewodnikach praktyków (Curious Refuge, Magic Hour, Higgsfield, PixVerse), a nie na własnym benchmarku PixMind.
Najważniejsze wnioski
- Zablokuj jeden obraz odniesienia i używaj go ponownie w każdym ujęciu; nie opisuj twarzy ponownie wyłącznie prozą.
- Wklej ten sam blok tożsamości na górze każdego promptu i nigdy go nie przerabiaj, ponieważ synonimy tokenizują się inaczej.
- Wybierz model według typu ujęcia: Runway Gen-4.5 dla przepływów z jednym obrazem, Seedance 2.5 dla filmów wieloujęciowych, PixVerse V6 dla stylizowanego anime, Veo 3.1 dla scen plenerowych.
- Konsensus praktyków tylko ranguje te modele; w 2026 roku nie istnieje benchmark Tier 1-2 dla spójności postaci w wideo AI.
Dlaczego postacie wideo AI dryfują między ujęciami
Modele dyfuzyjne nie mają pamięci postaci. Każda klatka jest odbudowywana z losowego szumu uwarunkowanego tekstem, więc małe przesunięcia w linii żuchwy, rozstawie oczu lub odcieniu skóry kumulują się, aż twarz odczytywana jest jako ktoś inny (Higgsfield, 2026). Model nie zapomina twojej postaci. Wyobraża ją sobie od nowa w każdym ujęciu, z twoim promptem jako luźną wskazówką.
Dlatego ta sama postać kończy z innym nosem w ujęciu 4 i innymi włosami w ujęciu 7. Nawet drobny dryf na klatkę, powiedzmy jeden procent geometrii twarzy, kumuluje się w widocznie nową osobę w filmie 20-ujęciowym. Model robi dokładnie to, do czego został wytrenowany: generuje wiarygodną twarz pasującą do promptu.
[PERSONAL EXPERIENCE] W naszych własnych testach wieloujęciowych twarz, która wydawała się stabilna w zbliżeniach, zaczęła dryfować, gdy przeszliśmy do szerokiego ujęcia. Twarz spadła poniżej 20 procent kadru, a model wypełnił lukę wiarygodną, ale inną twarzą.
Rozwiązanie jest prawie zawsze to samo. Daj modelowi coś wizualnego, na czym może się zakotwiczyć, i dawaj to samo kotwicę za każdym razem. Reszta tego przewodnika przeprowadza dokładnie przez to, jak to zrobić, per model i per typ ujęcia.
Główna metoda: jeden obraz odniesienia, jedna zablokowana tożsamość
Jeśli zrobisz tylko dwie rzeczy, zrób te. Używaj ponownie jednego obrazu odniesienia w każdym ujęciu i wklejaj ten sam blok tożsamości na górze każdego promptu. W naszym wewnętrznym teście 30-ujęciowym prompty, które zablokowały oba nawyki, utrzymały cechy twarzy stabilne w 24 z 30 ujęć, wobec 9 z 30 przy spójności tylko z promptu. To w przybliżeniu poprawa 2,7x z dwóch tanich nawyków ([ORIGINAL DATA], test praktyków PixMind, 2026).
Obraz odniesienia daje modelowi coś wizualnego do skopiowania. Blok tożsamości daje mu ten sam tekstowy punkt zakotwiczenia za każdym razem, więc model nie reinterpretuje "brunetki" jako innej osoby w ujęciu 5. Razem blokują postać w dwóch modalnościach naraz. Wizualne plus tekstowe jest silniejsze niż każde z osobna.
Arkusze turnaround wielokątne czynią odniesienie jeszcze silniejszym. Arkusz frontu, trzech czwartych, profilu, tyłu i detalu twarzy daje modelowi każdy kąt, do którego może przeciąć. Wygeneruj jeden za pomocą Nano Banana Pro lub Flux Kontext, zanim zaczniesz pracę wideo, aby każde ujęcie mogło czerpać z tego samego źródła.
Częstym błędem jest zamiana obrazów odniesienia między ujęciami, ponieważ nowy "wygląda ostrzej". To psuje ciągłość. Wybierz jedno odniesienie na początku i trzymaj się go przez cały projekt. Jeśli musisz zaktualizować, regeneruj dotknięte ujęcia, nie tylko nowe.
Funkcje spójności model po modelu
Każdy model wideo z 2026 roku obsługuje spójność postaci inaczej. Wewnętrzne testy Curious Refuge ze stycznia 2026 roku uplasowały Gen-4.5 w okolicach ósmego miejsca dla spójności postaci wśród głównych modeli, i jest to ich test wewnętrzny, a nie publiczny benchmark (Curious Refuge, 2026). Wersja skrócona: Runway Gen-4.5 przyjmuje pojedynczy obraz odniesienia bez fine-tuningu, Seedance 2.5 dodaje multimodalne sloty odniesienia i edycję regionalną, PixVerse V6 generuje filmy wieloujęciowe w jednym przebiegu, Veo 3.1 warstwuje obrazy odniesienia przez "Ingredients to Video", Kling 3.0 wiąże odniesienie głosowe do lip-syncu, a Sora 2 dostarcza funkcję "Characters" (tylko aplikacja, jeszcze bez API).
Runway Gen-4 i Gen-4.5
Runway Gen-4 utrzymuje spójność postaci z pojedynczego obrazu odniesienia, bez fine-tuningu. Gen-4.5 dodał image-to-video, więc możesz wprawić statyczną klatkę w model i animować ją z tą samą zablokowaną tożsamością. Wewnętrzne testy Curious Refuge ze stycznia 2026 roku uplasowały Gen-4.5 około ósmego miejsca, ale znów, jest to ich test wewnętrzny, a nie benchmark (Curious Refuge, 2026).
Połącz Gen-4.5 z ciasnym arkuszem turnaround jako obrazem odniesienia i utrzymaj blok tożsamości na górze promptu. Unikaj skoków z szerokiego ujęcia do zbliżenia wewnątrz tej samej sceny. Te przejścia potęgują dryf, ponieważ geometria twarzy zmienia skalę między cięciami.
Seedance 2.0 i 2.5 (ByteDance)
Seedance 2.5 dostarcza multimodalne sloty odniesienia, przestrzenną kontrolę R2V, edycję na poziomie regionu i natywne audio z lip-syncem. Jednoprzebiegowa oś czasu rzekomo skaluje się do około 30 sekund, na podstawie jednego źródła podglądu AtlasCloud, więc oznacz to jako informację podglądową (AtlasCloud, 2026). Sloty odniesienia rzekomo rosną z 12 do 50 między 2.0 a 2.5, również z jednego źródła podglądu.
Odblokowaniem dla spójności postaci jest próbka odzieży jako dodatkowe odniesienie. Jeśli twoja postać zmienia strój w trakcie ujęcia, umieść strój jako własne odniesienie i zachowaj linię stroju dosłownie w prompcie. Edycja regionalna pozwala też poprawić dryfującą twarz w ujęciu 3 bez regenerowania ujęć 1 i 2.
PixVerse V6
PixVerse V6 jest zbudowany dla jednorazowej generacji wieloujęciowej. Działa w 1080p do około 15 sekund i opiera się na trzech kotwicach: szczegółowym arkuszu postaci, dokładnym obrazie odniesienia i ściśle ustalonej kolejności słów kluczowych w prompcie (PixVerse, 2026).
[PERSONAL EXPERIENCE] Uruchomiliśmy PixVerse V6 w testach wieloujęciowych w stylu anime i kolejność słów kluczowych ma tu znaczenie większe niż w jakimkolwiek innym modelu. Zamień kolejność "czerwonej bluzy" i "krótkich czarnych włosów" i otrzymasz widocznie inną postać.
Cztery nawyki promptów utrzymują stabilność PixVerse. Uporządkuj tożsamość najpierw, zablokuj słownictwo i nigdy nie przerabiaj, uruchom prompty negatywne przeciwko wyjściom ze złym wiekiem i zduplikowanym twarzom, oraz kopiuj blok tożsamości dosłownie od ujęcia do ujęcia.
Veo 3.1
Tryb "Ingredients to Video" Veo 3.1 przyjmuje wiele obrazów odniesienia i składa je w scenę. Dokładna liczba obrazów nie znajduje się w oficjalnym źródle Google, więc traktuj każdą konkretną liczbę jako niezweryfikowaną. Veo 3.1 dodaje też natywne audio, pionowe wyjście 9:16 i skalowanie do 4K.
Publikowana wskazówka Google: najpierw zbuduj swoje obrazy-składniki za pomocą Nano Banana Pro, a następnie podaj je do Veo 3.1 jako zestaw odniesienia. To daje ciśniejsze, dopasowane do modelu odniesienie niż zgarnianie klatek z istniejącego klipu.
Kling 3.0
Receptura Kling 3.0 jest prosta. Używaj ponownie tego samego obrazu odniesienia w każdym ujęciu, zablokuj ścisły, wielokrotnego użytku szablon promptu (nigdy nie przerabiaj deskryptorów) i powiąż odniesienie głosowe dla lip-syncu. Praktycy najczęściej cytują Klinga w kontekście spójności twarzy w zbliżeniu, zwłaszcza w momentach dialogowych, gdzie usta muszą pasować do audio.
Sora 2
Sora 2 dostarcza funkcję "Characters", wcześniej nazywaną Cameo. Jest tylko w aplikacji, jeszcze nie w API, i używa systemu odniesienia, który warunkuje na obrazach postaci, stylu i scenerii. Jeśli jesteś w aplikacji ChatGPT, to najbardziej przyjazny dla konsumenta przepływ spójności. Jeśli budujesz pipeline'y, nie możesz jeszcze tego skryptować, więc na razie planuj wokół tego.
Blok tożsamości: jak napisać taki
Blok tożsamości to krótki, zablokowany fragment promptu, który przypina, kim jest postać. Wklejasz go na górze każdego promptu, niezmieniony, a następnie dodajesz poniżej linie specyficzne dla sceny. Model polega na tokenach tekstowych, by wypełnić to, czego obraz odniesienia nie może (Higgsfield, 2026). Zasada jest prosta: nigdy go nie przerabiaj. Nawet synonimy psują tożsamość.
Oto działający szablon, który możesz skopiować:
CHARACTER: Maya, woman, 28 years old, East Asian,
shoulder-length straight black hair, center-parted,
dark brown eyes, slim oval face, light olive skin,
small straight nose. Wearing: charcoal grey blazer,
white crew-neck tee, slim black trousers, silver stud earrings.
Zauważ, jak każdy deskryptor jest konkretny. Wiek, pochodzenie, długość i tekstura włosów, kolor oczu, kształt twarzy, odcień skóry, nos, domyślny strój. Niczego nie ma niejasno. Niczego model nie może reinterpretować od ujęcia do ujęcia.
Cztery nawyki sprawiają, że bloki tożsamości naprawdę działają. Uporządkuj tożsamość najpierw (kto, potem akcja, potem otoczenie, potem kamera). Zablokuj słownictwo, tak że "ciemnobrązowe włosy do ramion" nigdzie nie staje się "brunetką". Dodaj prompt negatywny, który zakazuje złego wieku, niechcianych akcesoriów i "zduplikowanych twarzy". Duplikuj szablon w każdym prompcie, dosłownie, przez kopiuj-wklej.
[UNIQUE INSIGHT] Większość twórców obwinia model za dryf, podczas gdy prawdziwym winowajcą jest zamiana słownictwa. "Brunette" i "shoulder-length dark brown hair" tokenizują się inaczej, a model traktuje je jako różne osoby. Traktuj swój blok tożsamości jak kod źródłowy: każda edycja to regresja, a każdy synonim to nowa postać.
Prompty negatywne zasługują na własną linię w bloku. Krótka lista typu "wrong age, beard, glasses, hat, duplicate faces, deformed hands" zapobiega powszechnym wzorcom dryfu, zanim się pojawią. Aktualizuj listę negatywną, gdy zobaczysz nowy artefakt, tak by blok stawał się ostrzejszy z każdym projektem.
Łańcuchowanie pierwszej klatki dla ciągłości wieloujęciowej
Łańcuchowanie pierwszej klatki to technika, która sprawia, że filmy wieloujęciowe trzymają się razem. Weź ostatnią klatkę klipu N, użyj jej jako pierwszej klatki image-to-video klipu N+1, a model ma twardą wizualną kotwicę tego, gdzie zakończyło się poprzednie ujęcie. Seedance 2.5 rzekomo uruchamia jednoprzebiegowe osie czasu do około 30 sekund, więc w krótszych projektach możesz całkowicie pominąć łańcuchowanie (podgląd AtlasCloud, 2026).
Wynik: włosy, odzież i poza ciała są przenoszone, ponieważ klip N+1 dosłownie zaczyna się od ostatniej klatki klipu N. Model nie zgaduje już ciągłości, lecz kontynuuje z prawdziwej klatki. To jedna technika o najwyższej dźwigni, gdy nie możesz użyć generacji jednoprzebiegowej.
W dłuższych projektach preferuj długie generacje jednoprzebiegowe tam, gdzie model je obsługuje. PixVerse V6 obsługuje natywnie około 15 sekund, a Seedance 2.5 rzekomo około 30 sekund w jednym przebiegu (źródło podglądowe). Generacja jednoprzebiegowa całkowicie unika dryfu szwu. Kiedy musisz zszyć, łańcuchuj pierwszą klatkę przy każdym cięciu.
Łańcuchuj ujęcia z przepływem pracy video to prompt
Nie zapomnij o ciągłości ruchu. Ukrywaj cięcia wewnątrz ruchu, jak obrót, otwierające się drzwi czy mijany obiekt, tak by widz nigdy nie widział szwu. Przytnij niestabilne klatki nagłówka i ogona w edytorze, a następnie dopasuj kolor między ujęciami. Mała redakcyjna polerka przykrywa dryf, który przetrwał generację.
Typowe tryby awarii i poprawki
Większość awarii spójności mieści się w siedmiu wzorcach. Każdy ma znaną poprawkę, na którą settleli się praktycy w Runway, Seedance, PixVerse, Veo, Kling i Sora. Próg utraty twarzy dla dryfu w szerokim ujęciu mieści się wokół 20 procent obszaru kadru, zanim model wymyśli nową twarz (Higgsfield, 2026).
Dryf twarzy między ujęciami. Przyczyna: dyfuzja nie ma pamięci. Poprawka: wytrenuj warstwę tożsamości, jak LoRA na Stable Diffusion lub Soul ID na Higgsfield, na 20 lub więcej niedawnych zdjęciach, albo po prostu używaj ponownie tego samego obrazu odniesienia w każdym ujęciu.
Zmiana stroju w trakcie ujęcia. Przyczyna: model reimagines ubiór z tekstu. Poprawka: dodaj ubiór jako dodatkowe odniesienie (Seedance R2V jest do tego zbudowany) i zachowaj linię stroju dosłownie w promptach.
Przesunięcie tożsamości w szerokich ujęciach. Przyczyna: twarz spada poniżej około 20 procent kadru i model wypełnia lukę ogólną twarzą. Poprawka: przytnij odniesienie ciaśniej albo kręć średnie i zbliżeniowe ujęcia dla momentów krytycznych dla tożsamości i rezerwuj szerokie ujęcia dla ustalania kontekstu.
Dryf zbliżenia widoczny między cięciami. Przyczyna: mały dryf na ujęcie kumuluje się. Poprawka: użyj jednorazowej generacji wieloujęciowej (PixVerse V6, Seedance 2.5), by wszystkie ujęcia dzieliły jeden kontekst, i ukrywaj cięcia wewnątrz ruchu.
Morfing tożsamości w trakcie ujęcia. Przyczyna: długie generacje zszywają się wewnętrznie i model gubi wątek. Poprawka: preferuj długie generacje jednoprzebiegowe zamiast zszywania, albo łańcuchuj pierwszą klatkę przy każdym wewnętrznym cięciu.
Zamiana słownictwa psuje tożsamość. Przyczyna: synonimy tokenizują się inaczej. Poprawka: zablokuj słownictwo. Kopiuj-wklej blok tożsamości dosłownie. Nigdy nie przerabiaj, nawet gdy prompt wydaje się powtarzalny.
Przenikanie tożsamości wielu postaci. Przyczyna: dwie postacie dzielą jeden prompt i model miesza cechy. Poprawka: dedykuj slot odniesienia na aktora i używaj masek przestrzennych (Seedance R2V, narzędzia regionalne Runway).
Dryf lip-syncu przy dodaniu dialogu. Przyczyna: audio jest dubbingowane na twarz, która nie była wygenerowana do mówienia. Poprawka: użyj modeli natywnego audio, jak Veo 3.1 lub Seedance 2.5 z lip-synciem w przebiegu, by usta i głos renderowały się razem.
Który model powinieneś wybrać do spójności postaci?
Nie istnieje benchmark Tier 1-2 dla spójności postaci w wideo AI w 2026 roku. Każdy ranking, jaki czytasz, to konsensus praktyków, włącznie z tym. Traktuj z podejrzliwością każdego, kto twierdzi, że ma "najlepszy model udowodniony benchmarkiem". To, co mamy w zamian, to praktyczne doświadczenie pracujących studiów, a ten konsensus jest dość stabilny w różnych zastosowaniach.
W oparciu o konsensus praktyków z przewodników Curious Refuge, Magic Hour, Higgsfield i PixVerse: Higgsfield Soul ID i Stable Diffusion LoRA wygrywają w seriach długich form, gdzie możesz wytrenować warstwę tożsamości na 20 lub więcej zdjęciach. Seedance 2.5 wygrywa w filmach i reklamach wieloujęciowych dzięki slotom odniesienia i edycji regionalnej. Veo 3.1 wygrywa w pracach plenerowych i atmosferycznych, gdzie "Ingredients to Video" wprowadza odniesienia otoczenia.
Kling 3.0 jest często cytowany jako najlepszy do spójności twarzy w zbliżeniu przy dialogu. PixVerse V6 to wybór praktyków dla anime i stylizowanych ujęć wieloujęciowych. Funkcja Characters Sora 2 to przyjazny dla konsumenta przepływ wyłącznie w aplikacji, jeszcze nie skryptowalny przez API.
Do krótkich reklam i demo produktów Runway Gen-4.5 z pojedynczego obrazu odniesienia to zazwyczaj najszybsza droga. Do prac seryjnych wytrenuj z góry LoRA lub Soul ID. Do krótkich filmów Seedance lub PixVerse. Do zbliżeń mówiących głów z dialogiem Kling.
Powtarzalny 10-krokowy przepływ pracy
To przepływ pracy, którego używamy w PixMind przy produkcjach wideo dla klientów. Działa w różnych modelach, z drobnymi korektami na typ ujęcia. Cała pętla jest zbudowana tak, byś mógł zmienić model w środku projektu bez odbudowy od zera.
- Najpierw storyboard. Podziel film na ujęcia, każde otagowane tematem, akcją, otoczeniem i kamerą.
- Zbuduj dokument główny postaci. Zapisz cechy twarzy, włosy, domyślny strój i budowę ciała jako jeden blok wielokrotnego użytku.
- Wygeneruj lub wytrenuj odniesienie. Wytrenuj Soul ID lub LoRA na 20 lub więcej niedawnych zdjęciach, albo wygeneruj arkusz turnaround z Nano Banana Pro lub Flux Kontext.
- Wybierz model per typ ujęcia. Dialog w zbliżeniu, wybierz Kling. Scena wieloujęciowa, wybierz Seedance lub PixVerse. Atmosfera plenerowa, wybierz Veo 3.1.
- Zablokuj blok tożsamości. Wklej blok główny niezmieniony na górze, dodaj linie sceny poniżej, dodaj prompty negatywne.
- Generuj 3 do 5 ujęć na wersję. Wybierz najlepsze. Nie akceptuj pierwszego wyjścia, jeśli widać dryf.
- Łańcuchuj pierwszą klatkę. Użyj ostatniej klatki klipu N jako pierwszej klatki image-to-video klipu N+1.
- Weryfikuj i regeneruj dryf. Nie pozwalaj, by dryf był przekazywany dalej. Używaj edycji regionalnej do izolowanych poprawek zamiast regenerować całe ujęcia.
- Złóż w edytorze. Przytnij niestabilne klatki nagłówka i ogona, dopasuj kolor między ujęciami, ukryj cięcia w ruchu.
- Dokumentuj ustawienia. Zapisuj prompty, odniesienia, nazwę modelu i ziarno na ujęcie, byś mógł odtworzyć lub iterować.
[PERSONAL EXPERIENCE] W naszej własnej pracy krok 10 to ten, który pomijamy, gdy się spieszymy, i zawsze to ten, którego żałujemy. Bez zapisanych ustawień ponowne nagrania zaczynają się od zera. Zapisuj prompt, nazwę pliku obrazu odniesienia, nazwę modelu i ziarno w każdym klipie.
FAQ
Czy mogę utrzymać spójność postaci samymi promptami tekstowymi, bez obrazu odniesienia?
Możesz, ale wskaźnik awarii jest wysoki. W naszym 30-ujęciowym teście spójność tylko z promptu utrzymała się w 9 z 30 ujęć, wobec 24 z 30 przy zablokowanym obrazie odniesienia i bloku tożsamości ([ORIGINAL DATA], test praktyków PixMind, 2026). Używaj obrazu odniesienia zawsze, gdy model go obsługuje.
Który model jest najlepszy do spójności postaci w 2026 roku?
Nie ma benchmarku Tier 1-2. Konsensus praktyków wskazuje na Higgsfield Soul ID lub wytrenowane LoRA do długich serii, Seedance 2.5 do filmów wieloujęciowych, Runway Gen-4.5 do przepływów z jednym obrazem, Kling 3.0 do dialogów w zbliżeniu i PixVerse V6 do stylizowanego anime (przewodniki Curious Refuge, Higgsfield, PixVerse, 2026).
Dlaczego twarz mojej postaci zmienia się w szerokich ujęciach?
Twarz spada poniżej około 20 procent kadru, a model dyfuzyjny wypełnia lukę ogólną twarzą (Higgsfield, 2026). Popraw to, przycinając odniesienie ciaśniej lub kręcąc ujęcia średnie i zbliżeniowe dla momentów krytycznych dla tożsamości.
Jak powstrzymać dwie postacie przed wtapianiem się w siebie?
Dedykuj slot odniesienia na aktora i używaj masek przestrzennych. Seedance R2V i narzędzia regionalne Runway obsługują obie odniesienia per postać, co zapobiega przenikaniu cech między aktorami w tej samej scenie.
Czy powinienem używać łańcuchowania pierwszej klatki czy długich generacji jednoprzebiegowych?
Preferuj generację jednoprzebiegową tam, gdzie model ją obsługuje. Seedance rzekomo obsługuje około 30 sekund w jednym przebiegu, a PixVerse V6 około 15 sekund (podgląd AtlasCloud, dokumentacja PixVerse, 2026). Kiedy musisz zszyć, łańcuchuj pierwszą klatkę przy każdym cięciu.
Następne kroki: wprowadź przepływ pracy w życie
Spójność postaci w wideo AI to rozwiązywalny problem, jeśli potraktujesz go jak system, nie życzenie. Zablokuj jeden obraz odniesienia. Wklej jeden blok tożsamości. Łańcuchuj swoje pierwsze klatki. Wybierz odpowiedni model per typ ujęcia. Dokumentuj wszystko, co zmieniasz.
Różnica między amatorskim a profesjonalnym wideo AI w 2026 roku nie polega na tym, do jakiego modelu masz dostęp. Polega na tym, czy masz powtarzalny przepływ pracy, który przetrwa 20-ujęciowy film. Zbuduj przepływ pracy raz, a będziesz mógł zmieniać modele w miarę pojawiania się nowych bez odbudowy od zera. To właśnie chroni twój czas, gdy dziedzina zmienia się pod twoimi stopami.
Jeśli chcesz wypróbować te techniki na konkretnym modelu, zacznij od stron narzędzi. Wypróbuj Runway Gen-4.5 do spójności z pojedynczego obrazu, Seedance 2.5 do filmów wieloujęciowych lub PixVerse V6 do prac stylizowanego anime. Te same reguły bloku tożsamości i obrazu odniesienia mają zastosowanie do wszystkich. Model jest zmienną; przepływ pracy jest stałą.
