Zovda
十五秒的片子，全部重点在前两秒；四十分钟的录像，重点在中间某处。文件格式一样，训练问题完全不同。
把长视频的处理流程直接套到短视频上，最后得到的标注通常描述的是「整段平均水平」——而观众从来不看平均。
开头就是标签
短视频里，开头是最有价值、也最少被标注的片段。先出现什么、剪辑点多快落下、画面上有没有文字，这些决定内容成不成立。
只标中段的语料，把承载行为的那个部分扔掉了。
按剪辑点切，不按秒切
固定间隔采样会切穿剪辑点，产出从未作为镜头存在过的帧。按剪辑点切分，每个镜头保持完整，并记录它的长度。
这一个选择，决定了模型能不能学到节奏。
元数据承担一半信号
时长、画幅、镜头数、有无字幕、音频类型、内容门类。六个字段就能让买家筛出「快剪 + 有字幕」的集合，而不用解码任何文件。
我们把它们做成列，而不是清单里的一段散文。
交付前我们跑的清单
- 片段切在镜头边界，而不是固定间隔？
- 开头几秒被单独标注？
- 画面文字是有无字段？
- 不解码也能按节奏筛片？
- 短视频与长视频在目录里是分开的？
答不上这些，短视频就只是帧数更少的长视频。在 Zovda，Datuva 目录把两类分开，因为训练信号本来就不一样。
从哪里开始
从你要改变的行为出发：观看时长、完播率，还是第一帧的注意力。视频语料把节奏驱动和流程驱动的素材分开，语料总目录给出阶段对应。
告诉我们行为和量，我们会在 1 个工作日内回复。