← 返回研究面板
Improvement Log · 任务改进档案 #01
Task_12 数据源换血记
从 64×64 玩具基准，到 720p 机械臂 + 4K 物理考卷（v1 → v2）
一份「验货合格」的报告不是终点。这一页记录 Task_12（物体运动与操作的未来帧预测）如何被两条质疑推动，在一天内完成 质疑 → 复盘 → 硬核查证 → 读代码定标准 → 换血执行 → 复核清退 的完整迭代——供后续每个任务的改进照此归档。
2 轮迭代
8 个候选字节级实测
1 次读代码替代问人
−61GB 死重清退
9,935 eps @720p60 入湖
Yilan Zhang (Winnie) × Claude · 2026-07-12 → 07-13 · 成果：Dataset Report v2
0
07-12 · 起点
v1 入湖 — 流程对了，选材偏了
按「最容易上手」选了文献经典 Moving MNIST + BAIR，完整走通 溯源→同区 EC2→官方全量→逐字节审计→入湖→7 段验货报告（184 obj / 60.9GiB）。流程从此成为 SOP 样板；但选材埋下隐患——两个源都是 64×64。
1
07-13 · 质疑
Winnie 的两条质疑，句句打在要害
质疑 ①「第一个数据集（Moving MNIST）和物理运动就没有什么关系。」——手写数字飘移只是最骨架的平移+反弹，没有重力/摩擦/接触，学不到真实动力学。
质疑 ②「第二个数据集（BAIR）的像素这么低，真的有用吗？」——64×64 是 2017 年算力的产物，对 2026 年的视频模型而言低于输入地板，放大也变不出信息。
随后的灵魂拷问：「那这个 Task_12 到底有什么意义？」——迫使把「流程价值」和「数据价值」分开审视。
2
07-13 · 复盘
根因：优化了「易得」，不是「营养」
- 选源时按「最易上手」优化 → 选出了文献经典基准，把「标准」误当「先进」；
- 「分辨率」只是摸底表里的普通字段，没有当成硬门槛；
- 「容易拿」和「有营养」的冲突存在已久，但没有被摆上台面让用户选——这是真正的错。
教训：easy-to-ingest ≠ worth-ingesting，冲突必须显式暴露
3
07-13 · 查证
8 个候选，字节级实测（不再信文档）
两个查证 agent 以分辨率为头条硬指标重扫候选，多项直接下载真文件 ffprobe / 读 GCS 桶内 features.json 量字节：
- 操作线：BridgeData V2（原生 640×480，RLDS 恰 256²/123GiB）· DROID（原生 720p 立体×3，但 RLDS 版仅 320×180）· Language-Table（360p 画面单调）· OXE（分辨率彩票）
- 物理线：Physics-IQ（真实拍摄 4K，396 段=评测量级）· Physion/++（实测 256²@30fps，34k 段，MIT）· Kubric/MOVi（2 秒短片+数据许可未标）· CLEVRER（480×320 偏玩具）
初版结论：BridgeData V2 RLDS 256² 为训练主力。这个结论只活了一小时。
4
07-13 · 转折点
不问人，读代码 — 找到真正的及格线
原计划请 Zhengze 确认「模型训练输入多大」，结果发现团队训练代码 Video-Reason/VBVR-Wan2.2 是公开仓库，直读官方脚本：
wan2.2-I2V-14B_vbvr_dataset.sh → HEIGHT=384 WIDTH=384 NUM_FRAMES=209LTX2.3-I2AV_vbvr_dataset.sh → HEIGHT=512 WIDTH=512 NUM_FRAMES=209- 再读 dataloader：帧数是软门（短片自动降级训练），分辨率是质量门（低清被放大=糊）
地板从 256 抬到 384/512 → 一小时前的推荐被推翻：BridgeData RLDS（256²、且每轨迹仅 ~38 帧）与 Physion 256² 跌为不合格/边缘；DROID 原始 720p 成为唯一全过关的操作源。
收获：及格线永远从消费方（模型代码）拿，不从文献拿
5
07-13 · 执行
v2 换血 — 智能子集 + 全托管循环
- DROID 720p 智能子集：探明 episode 结构后做预算式取样——跳过立体/SVO/128px 冗余，每 episode 从 ~390MB 精简到 ~18MB → 同样 180GB 装下 9,935 episodes（跨 12 实验室），选样清单可复现；下载字节与目标逐字节吻合，抽检 5/5 = 1280×720@60fps。
- Physion+Physion++（34k 段真物理仿真，MIT）+ Physics-IQ（4K 实拍，官方 3s条件→5s预测 预切对 = 与任务定义逐字同构的考卷）。
- 全托管循环（Winnie 首次要求「设定时循环」）：心跳唤醒 ×3 轮完成盯进度/ffprobe 抽查/异常自愈（Physics-IQ 自动补拉 19 个缺失对象）/自动收尾停机；本地哨兵被杀两次，全靠 harness 级心跳兜底。
- 报告 v2 同 URL 重写（v1 归档），EC2/IAM 用后销毁，本轮成本 <$1。
6
07-13 · 复核闭环
用户二审抓出两个漏洞 — 当天修完
复核 ①「之前那两个数据集你删除了吗？我觉得可以删除。」——同意：64×64 进不了 384/512 训练、复现零门槛、数据湖卫生优先 → S3 清退 −184 obj / −61GB（sha256/recipe 存档，知识零损失）。
复核 ②「来源 A（DROID）你没有给出 sample pair。」——属实：演示对只放了 §1 封面，§2 卡片漏了 → 已补进卡片。
终账：54,302 obj / 243,059,726,181 B（226.4 GiB）——纯三层有效数据（training 双源 + eval 考卷），零死重。
收获：用户复核是质检的最后一环——两个漏洞都是自查没兜住的
v1 → v2 对照
| v1（07-12） | v2（07-13） |
|---|
| 训练源 | Moving MNIST + BAIR | DROID 720p60 子集（9,935 eps）+ Physion 34k 段 |
| 分辨率 | 64×64 | 1280×720 / 256²（注记）/ 评测 4K |
| 选型依据 | 文献经典 + 最易上手 | VBVR-Wan2.2 真实训练配置（384²/512²×209 帧） |
| 动作条件 | BAIR 4 维向量 | DROID 完整动作树（笛卡尔/关节/夹爪 + 目标位姿） |
| 评测集 | 无 | Physics-IQ（协议与任务同构，训完直接出分） |
| S3 体量 | 60.9 GiB（后判定死重清退） | 226.4 GiB 全有效（54,302 obj） |
沉淀的三个机制（已写进 SOP）
M1分辨率 = 硬门槛列摸底表直接标 pass/fail，不再是普通字段；帧数/时长按加载器行为分软硬。
M2源分层制度training / benchmark / eval 显式分层；「易上手」只允许决定 benchmark 层取舍。
M3模型侧需求先行任何任务摸底前先读消费方（训练代码/配置）拿及格线——问代码优于问人。