阶跃 Step-Video-T2V

数据来源与规模

技报（arXiv 2502.10248）称预训练约 20 亿视频-文本对、38 亿图文对；来源未披露，部分 caption 用视频原标题增加多样性。后训练池由打分过滤到约 3000 万视频，再分类别人工精筛，最终 SFT 量未披露；Turbo 蒸馏约 9.5 万样本（50 NFE 生成）[1]。

加工

pyscenedetect 加 FFmpeg 切单镜并去首尾各 3 帧；每片 8 帧采样做美学、NSFW、水印、字幕 OCR、饱和度、模糊、黑边过滤；Farneback 光流（均值/最大/最小）；VideoCLIP 聚成 12 万+ 簇，按簇大小与离心距离滤离群；CLIP 图文对齐；层级阈值产出 6 个预训练子集；人工标注清晰度、美学、运动、转场、无水印字幕 [1]。caption 由内部 VLM 生成短/稠密两种，运镜数据人工标注后微调。

偏好与伙伴

Video-DPO 的 prompt 来自训练集抽样加人工撰写，不同 seed 多条生成，标注员排序；规模未披露。zgtz 与阶跃共建视频垂类模型，仅是合作关系，非语料证据。未查到法律事件。