Zovda
团队买视频语料，习惯按小时算：发票上写小时，硬盘上写 TB，训练跑完却只认一件事——带标注的那几秒。一段十分钟的仓库行走，如果真正有价值的五秒钟——拿货、交接、灯光变化——没有被标出来，它对模型几乎没用。
这就是为什么大量视频素材最后变成了存储成本，而不是训练信号。
小时不是计量单位
一段片子只有三件事同时成立，才算训练数据：切在正确的位置、这个位置有描述、描述在导出后还在。缺任何一条，模型学到的都是噪声。
落到文件上，就是每条记录都带元数据——时长、分辨率、内容类型、语料编号——并且每条标注指向一个时间区间，而不是整段视频。JSONL 里的时间戳表看起来很枯燥，但它决定了一份语料能不能筛选，还是一定要人工逐条看。
一条可用的视频记录里有什么
第一人称素材我们保留三份：母版、用于剪辑的代理文件、带关键帧的标注预览。围绕它们的是七层标注：
- 动作，分段并命名
- 手臂姿态
- 镜头运动
- 双手
- 物体
- 手与物体的交互
- 步骤关键帧
七层都齐的 Session 生产成本高，但复用价值也高；只有一层的 Session，更接近一个演示。
按模型要学的行为分素材
短视频与品牌片教的是接受度与节奏；4K 素材里的 FPV、航拍、手持段落教的是镜头运动；体育素材把阶段与动作放在同一条时间轴上；第一人称 Session 教的是流程；片段级指令对教的是视频理解。
把这些混成一堆，是最常见的错误。我们把镜头类型做成字段，买家不必重新导出就能切片。
交付前我们跑的清单
- 每条素材有稳定的编号与时长？
- 每条标注是一个时间区间，而不是表格里的一句备注？
- 不看视频，也能按镜头类型筛选组合？
- 指令对指向真实片段，而不是对片段的转述？
- 清单里写清楚了每一类里有什么？
供应商答不上这五条，按小时报价就不是真实价格——真正的成本在交付之后的清洗。
从哪里开始
做视频理解，先选与你要改变的行为最接近的那一类，而不是最大的那一类。视频与多模态语料写清了每一类里有什么，语料总目录则按训练阶段说明了同一批素材怎么用。
这些视频与多模态语料由 Zovda 出品，Datuva 平台负责把上面那几层标注记录并版本化，一个 Session 能追回到它被标注的那一天。
告诉我们你要训练的行为和需要的量，我们会在 1 个工作日内回复；范围确认后提供数据卡与字段说明。