视频基模数据质量标准及管理

两个看板是这套标准的落地载体:底库分析看板管数据捞取与打标,美学标准看板管标准定义与标注执行,入口见页首。下面从数据寻源讲起,正文逐步展开。

为什么需要数据美学质量筛选

微信内容创作场景广泛，现有模型无法完全满足需求，需要自研视频生成模型。此前已有图片评分标准，但视频增加了运动、运镜、节奏等动态维度，无法直接复用，且标准随技术迭代正在快速持续变化，而数据在模型训练中的重要性日益提升，业内没有现成成熟的方案可完全依据。

前期调研围绕四个方向展开。

• 竞品分析拆解各家模型的原子能力，明确需纳入标准的质量维度。
• 学术调研研究计算机学科及美学、电影学等相关理论，为标准制定提供跨学科参考。
• 用户与场景调研分析 7 个平台 2780 条用户 Prompt 及广告、社交、特效等落地场景，不同场景对质量的定义差异显著，直接决定了分类体系的架构。
• 底库分析统计已有训练数据的来源分布与内容类型，发现东亚人像、生活化动态、高清动画存在结构性短缺。

整个质量模型的训练工作可以概括为一条链路。从调研定义标准，到标注建成天梯，到训练出模型，再到模型反哺全量数据。

调研发现标准建设面临多重难点，缺乏统一的可量化标准，不同团队的规模、标注能力、人力配置差异大，方法无法直接复制。本项目团队人员少、供应商不够细分、专业人员有限，需要找到适合自身条件的方案，因此从零搭建数据筛选体系。我参与了美学评分标准的两个版本迭代、数据采集与标注管线、底库分析与可视化看板建设。数据筛选不仅依赖美学质量评估，还依赖视频能力打标，前者判断素材是否合格，后者决定素材适合训练何种能力。

以质量模型替代人工筛选

底库约 0.1b 条视频，是非常早期收集的结果，我接手后补充了约四分之三的存量，最终规模约 0.18b，是为搭建质量模型而全量评估筛选的总体接触数据量，并非最终训练数据本身。人力逐条打分在视频量级不可行。总体方法是训练一个质量模型，以模型替代人工完成全量筛选。

质量模型需要标注数据作为训练来源，即质量分级天梯，构建分五步。

• 分类为比较划定赛道；
• 采样得到结构均衡的大数据集；
• 定标为不同类别定制既有统一又有差异的评分标准；
• Elo 标注以两两对比方式标注采样数据；
• 成梯使每段视频经大量对决得到稳定 Elo 分，按分数排列成梯。

用天梯数据训练质量模型，质检验收后过一遍完整底库，完成全量筛选，底库进入预训练。天梯可复用，后训练阶段可直接在天梯头部采样，无需重新标注；也可随时新增细分类别，插入新样本后重排。
链接:数据天梯（关联看板入口）, 请在底库分析看板的「数据天梯」标签页查看

代价与收益并存。Elo 前期标注成本高于直接打分，天梯为相对排序，分级不如绝对值清晰；显著问题视频难以完全依赖天梯，仍需人工到管线筛选 badcase。收益是规避人类主观难以总结的内容，标注员仅需二选一，培训门槛低。VLM 排除动态内容后可承担部分 Elo 画面辨别，但仅适用于细分场景，通用判断与细分维度仍困难。

从底库直接捞取数据

视频与图片本质不同。图片可按单张截取，视频单独采集、清洗、切割耗时耗力且难以批量操作。因此放弃定向采集，直接从已建设好的底库选取。约 0.18b 条经过管线处理的视频片段构成现成候选池，主要来源包括开源视频集、影视剧集、人像数据集、高清综合视频、竖屏短剧与多类型平台内容，数据源合计 30 余个。
链接:底库分析看板

搭建底库数据捞取看板，将捞取流程可视化、可交互。数据源大盘展示 30 余个数据源卡片，含库存量、占比与排名，并以环形图总览。按源抽样可随机抽取 N 条在线预览，展示标题、描述、时长与分辨率。AI 分类边捞边标，由 VLM 自动打标。Pool 管理支持候选集导出，衔接标注流程。第一轮抽取 2 万条，真实横屏有人与真实无人各 1 万；第二轮扩展至 4 万条、4 个类别，按数据源分布控制配额，优先保证高质量来源的份额。

七类互斥分类划定赛道

不同类别视频可比性低。3D 动画与真人实拍、横屏电影与竖屏 Vlog 的美学维度完全不同，直接两两对比只会产生噪声。分类的目的即为 Elo 标注划定同类别可比的赛道。

按使用场景分类不可行，场景严重重叠，工作量巨大。改用从世界媒体资源类别入手，参考影视分类体系做类别穷举，再按可接受的工作量与业务需求收敛为 7 大类，原则是类内可比、类间互斥。

结构上有人与无人分在真实内部，有人视频占据底库大比例，也是微信使用场景的最大需求；动画分二维与三维，评价维度不同；图层与特效单独成类，难与其他类比较但占比可观，单独分出后可原样复用对应训练能力。为确保互斥穷尽，定义三个正交维度，真实度、空间性、主体显著性。分类由模型完成，撰写长 Prompt 定义分类语义、短 Prompt 输出结构化 JSON，经实验对比选用 Qwen3-VL-30B 对全量底库自动打标。

上一节确立了筛选方法与分类赛道。本节把天梯构建中的定标与标注展开为可执行的标准与标注系统，先定义评分标准，再以两两对比执行标注，经培训、错题集与质检保证标注质量，最后由专业设计师校准权重。这些环节与筛选同属一个目标，为质量模型积累高可信的天梯数据。

美学标准的两代迭代

分类划定比较赛道，美学标准定义比较维度。标准设计遵循三条原则。

• 维度互斥，构图与光影互不涵盖；
• 指标可快速判断，标注面对 5 到 10 秒视频与一次二选一；
• 评分规则避免模糊词，比如判断高光是否过曝，而不是画面是否美观。

标准经历两代迭代。V1 维度复杂、描述模糊，大维度 5 个，主体动态与镜头动态边界不清，标注员难分一般与良好。V2 精简为 4 档 4 维，评判哲学从有没有问题转为训练价值高不高，不评判创作意图，只看客观画面是否与内容契合，排除类型和手法干扰。V2 增加子指标与参考锚点，标注一致性提升约 15%。

7 个分类绑定 3 套标准，框架统一，子指标随类别调整，对照如下。

每个维度的设计围绕四个问题。

• 技术底线，低画质数据会拉低模型上限；
• 美学表现，画面美感决定模型上限；
• 运动学习价值，是视频区别于图片的核心；
• 人物表演价值，表情动作是否自然丰富。

以基础画质为例，该维度只评客观技术指标，模糊、噪点、压缩会让模型学到糊的习惯；刻意保留的胶片颗粒不扣分，因其是电影质感的一部分。4 档分级为优秀、良好、一般、差，分别对应可直接训练、需少量筛选、需人工判断、不适合训练，参考锚点从电影级摄影到严重压缩网络视频逐级下降。运动质量的边界同样需要举例，手持轻微抖动不判为运镜差，纪录片风格的手持是正常表达；固定机位搭配丰富动作也不判为运动质量差，评价只看运动信息是否有学习价值。

美学标准看板是标准的可视化落地。V1 结构复杂、维度过细，团队与供应商难以快速理解。V2 重新设计为分类侧边栏、维度顶栏、档位泳道的三级浏览：侧边栏先定位类别，支持大类到二级展开；顶栏展示各维度，可展开子指标；档位横向平铺，每档挂载参考案例，二选一时直接对照档位描述。设计语言为微信绿点缀的极简灰白风格，剥离一切干扰。看板同时承担定标与供应商培训教材的双重职能。

Elo 两两对比标注

绝对值打分存在两个问题，标注员对 4 分的理解因人而异，分数不可比；打分无需理由，可随手乱点。内部测试中，8 名外包同学与 2 名设计师分别给同一批数据打分，两两对比所得排名的一致性更高。两两对比将判断简化为一次二选一，结果天然带排序关系。

Elo 算法基于国际象棋评级，每段视频初始 1200 分。按双方分数计算胜率预期，分差 400 分时高分方胜率约 91%；标注选择胜负平后，新分等于老分加 K 乘 1 减预期胜率，K 取 32，冷启动快速收敛。随机配对 10000 个视频需近 5000 万场比较，成本不可接受。三阶配对将其压缩至约 5 万次。

• 探测新手优先找出未充分评估的视频；
• 全局粗调把老兵按分数均分 5 段位，随机对阵新手二分定位真实段位；
• 局部精调让老兵仅与排名正负 200 内对手较量，并用信息增益过滤，预期胜率落在 15% 到 85% 之间才出题。

隔离规则要求同类别、同维度比较，保证判断标准单一。第一批覆盖 2 类乘 5 维约 55 万次标注，第二批扩至 4 类。

供应商培训与错题集

标注由外包供应商执行，培训三件套。

• 标准看板按类别逐维讲解定义与档位；
• 培训指南与录屏按类别录制，标注前必看；
• FAQ 答疑是持续更新的错题集，实时沉淀标注员的困惑。

标注员带题目 ID 与截图提问，设计师逐条回答，典型问答按维度归档，形成可检索的错题集，结构为维度、题目 ID、问题描述、截图、答案、要点。典型条目直接暴露标准模糊地带，单纯静态图片在任何维度最差，缩放平移的简单动态按静态图处理，后期添加动态图层的按视频正常评价；确实相当则给平局，有细微倾向需给出倾向；有光不等于光影设计，光须经过设计才有美学价值。这些问答直接推动标准迭代。

质检 决策梯度与权重校准

质检不逐题对答案，而是利用 Elo 对手排位流程定位问题。每条素材在天梯中有稳定分数与完整对手记录，当标注员的判断与素材真实水平长期背离，把高分素材判给低分方，或对同组素材给出自相矛盾的排序，其对手排位结果会显著偏离多数人共识，被自动标记为存疑。完全错误案例由此暴露，说明存在系统性理解偏差而非偶发失误，这些案例归档为错题，反哺标准迭代与培训优化。

判断分配遵循决策梯度。

• 画质崩坏等可直接 VLM 判断的问题交 VLM 批量处理；
• VLM 不能决策的交人工标注；
• 标准覆盖不到的归为场景与分类问题，触发新细分垂类迭代。

天梯建立后，各维度权重无先验答案，真人影视的表演维度权重应高于动画，无人空镜的动态维度权重更高。做法是抽样交付专业设计师，用 Elo 做全局两两对比得到人工排序，再经一致性拟合反推各维度贡献权重，提交算法团队作为质量模型打分权重。

爬取与管线处理

数据来源由 爬取中台提单，经 文件存储、管线处理、数据入库。管线处理包含场景切割与字幕去除。我参与了爬取提单流程规范化，形成 SOP，并持续追踪管线 Badcase。

• 字幕残留影响训练效果；
• 场景切割不准导致片段不完整；
• 色差来自来源色彩空间不一致，需要统一校正。

每条入库记录含丰富元数据，包括美学评分、运动评分、音频描述、视频描述与语义一致性等字段。抽样时按数据源设置抽取配额控制结构平衡，并按来源质量取舍，质量层次不齐的来源多抽，同质化来源少抽，偏色未处理的按需筛选。

美学标准看板

标准要被标注员真正用起来，才能叫落地。美学标准看板把标准做成可执行的三级浏览体系，侧边栏定位类别（大类到二级展开）、顶栏切换维度（可展开子指标）、档位泳道横向平铺，每档挂载参考案例。标注员二选一时直接对照档位描述，不用再背文档。系统支持视频与图像两条独立版本线、档位 2 到 5 档动态配置、案例批量同步、评分定义与维度描述在线编辑；资源库独立维护 8810 条素材，支持批量入库、三级筛选、批量打标与引用链路追踪，20 层撤销防止误操作；协作侧用微信扫码登录、乐观锁防冲突。页面案例与规律表格为真实标准数据。
链接:美学标准看板

底库 Dashboard 与抽取弹窗

底库看板把数据浏览与抽样流程可视化。数据源大盘展示 30 余个数据源卡片（库存量、占比、排名与环形图总览）；抽取弹窗按源随机抽 N 条在线预览，展示标题、描述、时长与分辨率，一键导出 JSONL 元数据。它的价值在于把抽样前置为可交互的过程，不用先下载再碰数据，就能快速判断一个源的质量与构成。局限同样真实，预览只基于元数据与首帧，画面完整质量仍需按候选集进一步人工复核；配额偏置也需在前期参数里显式控制，否则会自然向库存大的来源倾斜。

AI 分类采用「边捞边标」，ffmpeg 均匀抽 5 帧，Qwen3-VL-30B 观察式 Prompt 输出分类标签与美学评分，直接回写看板。好处是确定性强的类目（虚实、横竖屏、动漫画风）可以零人工下沉；局限是风格与语义边界类目仍会混淆，需要人工兜底校验，这部分通过 Pool 管理里的候选集导出衔接人工标注流程。Caption 可视化在数据流中直接渲染语义描述，方便判断 Caption 质量与视频是否匹配。页面视频均为脱敏假数据（模糊填充），数据源规模、分类与标注为真实方案。

标注平台

标注平台是极简的两两对比界面，左侧待比视频、右侧对手视频、一个选择按钮，剥离一切干扰信息。系统按 Elo 三阶配对自动出题，标注员可跳过无法判断的题目并填写理由；平台支持人工与 VLM 双模式出题，后台自动汇总一致性指标供质检参考。

技术架构与工程实现

这些工具直接挂载在模型训练的云服务上运行，而非单机原型。存储复用训练侧的分布式存储底座，数据经并行文件系统与对象存储分层落盘，抽样与打标结果实时回写，与训练管线共用存储、避免数据搬运。预处理类任务跑在 CPU 机器集群上，抽帧、切割、元数据抽取按量弹性伸缩；VLM 批量打标按需申请 GPU，与 CPU 任务错峰调度。架构示意如下。

成果与数据规模

项目最终落地约 0.18b 条经质量模型筛选的高质量数据、30 多个数据源、7 大分类、3 套评分标准。实际投入训练的数据量还要更大，团队人手有限，从 0 到 1 搭建整套体系，仍能规模化筛出高质量数据。案例库沉淀 1691 个本地化媒体文件，资源库素材 8810 条，第一批标注约 55 万次，第二批扩展至 4 类。标准先后迭代五个版本，最终形成 4 档评分制，标注一致性提升约 15%。质量模型基于天梯数据训练，经多轮方案对比后，排序结果与人工天梯高度一致，显著优于随机筛选基线。Caption 从 6 维扩展至 35 维以上，覆盖主体、场景、运动、技术参数、音频与导演级描述，转化 1547 条视频，成功率 100%，并发 30 路约 18 分钟完成。

复盘

方法论主线清晰，先让“什么是好的”变成可标注的标准，再让标准变成可复用的天梯，最后让天梯训练出能自动判断好坏的质量模型。设计师的感性判断被翻译成量化工程标准，主观审美转化为可复现的流程。定义基础画质时，算法同事倾向客观指标，设计同事关注直观感受，最终以客观指标定义子指标、主观感受定义档位。

项目以快速验证推进，前中期效率高，后期数据结构不统一、实验关联弱，交接成本高。中期应统一数据结构与命名规范，让文档伴随开发，更早引入协作；很多决策未及时记录，交接时才集中补文档，文档化比写代码更难，也更重要。