Hippocampal 实习研究合集。点任一模块进入；每页右下角有标注工具（画笔 / 荧光笔 / 撤销 / 清空 / 导出 PNG）。
从零理解物理引擎与 3D AI agent 的四个入门模块，按顺序读。
MuJoCo / Genesis / Unreal / Unity 横向对比：怎么解接触（solver）、为什么分 physics 与 graphics、碰撞检测、可微分。含图解 + 例子。
两种坐标系怎么记物体状态、文件结构（MJCF / URDF / Unity prefab）长什么样、运行时怎么算，以及"裂缝"的由来。含可拖动的两节臂建模。
Unreal / Unity 到底有没有 AI agent（2026）？官方 AI、MCP、第三方工具全景，什么是 agent / MCP / JSON，以及和 genesis-3d-agent 的对标。
从 localhost:5173 跑通出发：系统架构 Mermaid 图解（总览 / 核心闭环 / World 数据模型），+ 6 条具体优化方向（MCP / Skills / 并行 Lane / Undo…）。
tv2v-reasoning 方向：任务分类体系 + 逐任务数据集验货报告。
Task Owner 逐 Sample 记录 EXP025 表现，汇总整 Task 能力缺口与下一轮数据 sourcing 建议。当前为可交互 Demo，页面刷新后修改会重置。
Replacement Full 共 8,334 个 canonical 样本；本次 20 个 exact-Final 样本覆盖 P01–P09、pickup / placement、81–96 帧、首中尾、交互证据极值、相邻 cupboard / bowl event，并包含已修复的 skipped-track 自然化回归样本，等待 Yilan 完整 Gate C Owner 审阅。
99,937 个 canonical Full 样本已完成自动审计；本次 12 个 exact-head Final 样本覆盖 train/validation/test、全 9 个 camera、首中尾 ID、92/111 帧边界、近静止与最快运动、后视、自遮挡和突变转身，等待 Yilan 完整 Gate C Owner 审阅。
PR #549 · 43,806 个 near-81 canonical Final samples · 12 个 76–87 帧风险分层 review pairs，覆盖 train/val/test、首尾边界、0/90/270° rotation 与 rare yuvj420p；等待 Yilan 完整 Owner 审阅。
PR #651 · pipeline 1.2.0 · 8 个 capture/visit-disjoint Validation 样本覆盖全部 7 类物体、7×81 帧完整窗口、1×61 帧保留尾段、refrigerator anti-sliver 与 recognizability/occlusion 边界；10 FPS 完整解码、8/8 resume skip、32/32 独立重生成逐字节一致，等待 Yilan 完整 Owner 审阅。
1,044 个 canonical Final 样本已完成完整自动审计；本次 13 个 exact-Final 样本覆盖全部 7 类物体、首中尾 ID、61/79/81 帧、whole-object recognizability 下限、最小/最大投影框及 refrigerator anti-sliver 风险，全部以原生 10 FPS 播放，等待 Yilan 完整 Gate C Owner 审阅。
PR #644 · pipeline 1.1.1 的旧 Final 审阅记录；已被当前 PR #651 的 81 帧 / 原生 10 FPS / whole-object recognizability v1.2.0 修订取代，不用于推进当前 Task 263。
PR #529 · pipeline 0.2.0 · 8 个完整同步 Validation 样本 · 原始背景、近 180° 固定机位、四种对向 camera pair、三种 split 和 copy / framing / scale / motion / seek 风险均已覆盖；等待 Yilan 完整 Owner 审阅。
PR #633 · pipeline 0.4.3 · 10 个有序 RGB-overlay Validation 样本 · 新增真实 ordinal 575 Target PSNR 阈值回归并保留 ordinal 8234；10/10 生成、10/10 resume skip、40/40 fresh reproduction 逐字节一致。合并后只需用修复后的 validator 对现有 8,427 个 Full 输出做零写入审计，不需要重新 Full-gen；指定 Vivian，等待 Yilan Owner 审阅。
8,427 个 canonical Final samples 已完成零重生成审计；10 个 exact-VersionId 样本覆盖首/尾、短窗、长窗、可见/遮挡转换及 ordinals 575 / 8234 回归。指定 Vivian，等待 Yilan 完整 Owner 审阅。
PR #502 · pipeline 0.3.1 · 9 个完整 Validation 样本 · Safari 兼容 H.264；每次先按按钮完整加载一对 Input+Target，加载完成后才播放。Owner 已完成 9/9 样本、27/27 检查并 PASS；PR 已 Ready，等待 DZDuncan 独立 Human Evaluator 审阅。
PR #565 · v0.2 · 8 个 76–87 帧完整同步 Validation 样本 · 320×180 Input → 1280×720 Target；HTTPS 公开访问，等待 Yilan 完整审阅；指定 Evaluator 为 Skye。
PR #588 · v0.3.0 · 8 个 76–87 帧完整同步 Validation 样本 · C30/C36/C42 H.264 Input → source-backed Target；公开访问，等待 Yilan 完整审阅；指定 Evaluator 为 foeasd，尚未请求。
PR #634 · v0.3.0 · 12 个 76–87 帧 exact-Final 同步样本 · 覆盖三种压缩 profile、split 边界、稀有格式与明暗/细节风险；机器证据 PASS，等待 Yilan 完整审阅；指定 Evaluator 为 Ronghua。
Migration 82%、Gate A 27%；Migration current head 为 f07dc204...，22 fixtures / 25 tests 已通过，正在等待 Duncan closure decision。
Yilan / Duncan 两套候选如何形成唯一 canonical Skill；current head f07dc204...，22 fixtures / 25 tests，通过三轮 P1 修复，正在等待 Duncan closure decision。
Yilan 统筹；Yilan 驱动 Migration / Gate A，Duncan 驱动 Gate B / Full Generation，Skye + Ronghua 并行开发辅助 Skills；Runtime Orchestrator 最后接入。
从 Video In / Video Out、Input-Prompt-Target-Evaluation 四问与标准四件套，讲到 Gate B、Full、Gate C 和 ready；含 Task 70 实例、常见误区与一分钟总结。
官方 9 节点主链 + 展开的 13 步执行视图；解释 Migration/Gate A、Full Audit、Gate C 与 Promotion 的真实关系，并标出 Task_15 当前位于 Gate C Evaluator。
统一 backbone 的 scope、四层 comparison、C0–C10 consolidation 与 release gate；并给 Skye / Frank 提供 Capacity Audit、PR Tracking 两类辅助 Skill 的适配方法。
只保留 TV2V workflow：逐项解释 6 个当前入口与 1 个退役 coordinator 的用途、权限边界、Stage 连续性，以及每次 commit 实际增加的功能。
Migration → Gate A → Gate B 的调用指南、自动化与权限边界、五行 handoff；同时标出 Full Generation、Reviewer 与 Gate C + Promotion 的当前完成状态。
左侧纵向权威流程，右侧明确分开我的 5 项工作与 teammates 的 25 个 active PR；可按 owner scope/stage 筛选，并查看 Draft/Ready、review decision、blocker 与下一步。
按统一口径给 Task 13/14/15/16/48/50/52/70/75/77/78/79 各一个主数字：只扣媒体损坏、必要配对/标注缺失和真实结构不合，不扣版权、敏感内容或过严 validator。
复用 Task 20 已有 VSCrowd Raw；报告展示 634 条序列的 source-native 结构审计、两组 publisher JPEG evidence，以及 40 帧窗口下的 2,450 个候选样本测算。
MOVi-E 256×256 全量来源审计：307.59 GB、10,998 个 24-frame videos、Raw S3 1,347/1,347 对象回读通过，并含两组 source-native RGB / coordinates / segmentation evidence。
两组可播放 RGB Input → density-only heatmap Target；每组包含 40 帧 Input、40 帧 Target、完整 Prompt、Metadata、comparison preview 与来源追踪。
两组 24-frame RGB Input → foreground NOCS Target；解释每个像素的 object-local XYZ 含义，并在页面内展示 Prompt、Metadata 1.2 draft 与详细 provenance。
指定 23 个 taxonomy 任务的一页总览：有样品的直达 Demo，另附报告入口；叠加任务描述、task prompt 与分类筛选。Task_13/15/16 已随重组更新。
直接浏览每个任务报告里的真实样例视频；可搜索、多选任务、创建带自定义名称与颜色的分类标签，按标签筛选、取消归类或清除本地分类。
三来源对读（tv2v-dataset v0.1.0 / tv2v-reasoning repo / omni-data-schema）。分两部分：我们现在的结构（三套并存、路径已对不上）与模型团队要的结构（333 pipeline、3.3/3.4 混用）。最要命：同一个 M-012 两边要不同像素（洋红叠加 vs 黑底纯绿）+ v0.1.0 两处悬空引用 + omni 8 个 ID 撞车 + 缺脱敏契约。
70 个任务按「模型要学会的核心能力」分成 9 类（A 标注 / B 转换 / C 编辑 / D1-D3 时间因果 / E 空间 / F 跨模态 / G 纠错），每任务唯一归类、编号无空缺。含 Task_15 拆分定稿（15/50/70）、裁决规则。
按 Google Sheet 当前任务名称与描述重建 inventory；H/I 仅作辅助。连续色阶矩阵包含边际总计、占比、覆盖率与可点击任务证据，并自动排除已删除的 Task。
按能力大类归组：D2 逆推重排（拆解→组装反演 / 体操跳水乱序 / 装配步骤乱序）、D1 前向预测（物体状态变化 / 机械臂抓取滑脱）、G 纠错示范（新手→专家）。每任务唯一能力 × 唯一领域，附真实数据集（Assembly101 / FineGym / ChangeIt / BridgeData 等）。
基于 Youxin (Natalie) Task_6 原版增补：三仓库分工（GitHub 菜谱 / S3 raw 原料 / S3 final 成品 / EC2 厨房）、训练-评测卫生（Physics-IQ 为何不进 final）、6 个踩坑实录、Task_12~16 逐任务注意事项。
leader 提问：预测/补帧类任务 TARGET 要不要含 INPUT 帧？deep-research 查 19 篇一手来源、25 条声明全过验证。结论：TARGET 只放新帧、不重叠为全领域通用约定（PredBench/MCVD/SVD…）；已知帧只作条件、绝不进 loss；Task_12 无需改。含利弊表 + 两层区分 + caveats。
AI 生成 / 自建 / 外包三条路线做「可动关节」资产的全部实验。
从零程序化生成的折叠自行车资产（20寸辐条轮、折叠铰链、座管升降），9 个 DOF 关节滑杆控制，一键"骑行/折叠"动画。GLB 可下载。
图片→3D→拆件→贴图全链路实测：保真度、segmentation 质量、材质光泽、付费墙，附 9 张实测截图与三条路线对比结论。
genesis-3d-agent 的架构梳理与专项调研，随时翻查。
做数据集决策前需要先搞懂的底层概念，从零讲起、生活化打比方。
提示：右下角标注工具 —— 选画笔/荧光笔后在页面上划线；↶ 撤销、🗑 清空；⬇ PNG 一键把标注导出成图片（标注 + 白底）存到本地。