Caption 融合前后

Caption 融合前后

目标:看融合改了哪一段。目的:判断改得对不对。字幕对应主视角,时间轴排出所有视角。

快捷键
空格 播放←→ 换组,. 逐帧[] 上下一段123 前 / 后 / 对比456 完整 / 共同 / 拆分V 换视角L 循环当前段C 字幕X 全部视角? 这张表
页面版本 11-11 12:31Z

正在读取数据…

全量统计(32,355 路,按数据集)

各视角文字差别(共同动作版,12,500 组,每组至少 2 个视角):动作段主体相同 5,822 组(46.6 %),时间点相同 115 组(0.9 %),文字相同 0 组。

单元格 = 含该主体的路数 / 该主体的段数。左侧 = 左臂、左手、左夹爪。右侧同理。双侧 = 双臂、双手、双夹爪。单臂含夹爪、机械臂等单主体标签。一路是一个视角。版本跟随上面的「完整 / 共同动作 / 左右拆分」。

段数变化

数据集路组融合前段数中位融合后段数中位段数变多段数变少

依据:oss://sudoai-plt/zqn/datasets/captioner_distill/v2/。融合后读 combined-two-batches-20261027/bilingual/fused-views-bilingual.jsonl.gz,融合前读两批 live/captions-single.jsonl。段数按文本里的 <时间> 行解析,用共同动作版:融合后读 natural_caption(230 路没有这个字段,由 caption 去掉左右行),融合前读 caption。抽样:每个数据集随机 3 组 10 秒 + 2 组长视频(种子 20261105),视频转成 480 宽。文本是否准确没核。