视频模型加速：数据过滤的三年进化

Getting video models to learn better, faster

过去几年，图像和视频模型的性能飞跃主要归功于数据策略的优化，而非架构的颠覆。我们回顾了从2024年依赖CPU运行传统计算机视觉算法，到2025年初利用微调的LLM进行内容过滤，再到引入强化学习进行美学评分的完整演进路径。通过剔除低质量数据、重采样过度代表的类别（如对着镜头说话的视频），以及利用H.264运动向量过滤难以描述的动作，我们显著提升了模型的学习效率。与其盲目堆砌海量数据，不如精心筛选，让模型专注于真正有价值的学习信号。