关于我
三年 AI 数据服务经验，做过视频评测、多模态视频标注、SFT 对话文本项目。核心能力是把抽象的视觉概念——镜头运动、主体一致性、材质表现——拆解成标注员能看懂、算法能用的标准。
擅长用脚本和工具做自动化提效，也习惯从数据里找规律，持续优化 SOP 与质检流程。
从项目实战到可量化成绩
质量不是主观感受，而是可以用交叉一致性、正确率、错误率趋势来衡量的结果。
可量化成绩
几个关键数字，说明数据质量上能做到什么程度。
质量趋势背后的持续迭代
质量提升不是一次性结果，而是由标注、质检、badcase 回收、迭代、评测、验证组成的完整数据闭环在持续运转。
每个环节发现的问题都会回流到标准与流程中，驱动下一轮数据更准确、模型更稳定。
能力映射
把工作经历中的四大职责，拆成我的真实能力。
从能力到真实项目
这些能力来自三段真实项目经历：视频评测、多模态视频标注、SFT 多轮对话数据。
以上数据来源于飞书项目历史记录。出于项目保密与版式考量，本页仅展示部分内容，完整数据以实际项目交付为准。
工作经历
三段经历覆盖评测、标注、SFT 数据，都指向同一能力：把模型需求变成可训练的数据资产。
从经历到具体解法
把项目中的关键问题拆解成可复用的方法、标准与工具，让数据质量可被持续复制。
以上数据来源于飞书项目历史记录。出于项目保密与版式考量，本页仅展示部分内容，完整数据以实际项目交付为准。
核心案例
四个真实项目片段，说明问题、方法、输出与结果。
企业内视频生成模型效果脱离业务实际，商品细节失真、主体一致性差、风格单一。
- 针对服装、3C 等品类设计四维评分模型
- 输出品类权重打分表与边界案例
- 建立「模型-场景-缺陷」三维归因矩阵
视频生成模型细节处理能力不足，需要系统性训练数据建设。
- 制定筛选规则、标签体系、描述模板、质检流程
- 按色调、构图、光影、动作等维度做结构化描述
- 构建主体一致性与镜头运动两个核心维度
人工标注与模型评测必然存在错误，关键在早发现、快修复、避免重复犯错。
- 建立多级质检与抽检机制
- 整理漏标镜头运动、视频跳帧、服装褶皱等错误类型
- 搭建 badcase 案例库与标准化标注流程
评测与标注是人力密集型工作，标准化培训、绩效体系与工具支持决定交付质量。
- 负责评测员招募、培训、考核，团队从 25 人扩至 50 人+
- 设计培训课程与绩效评估体系
- 联动算法团队建立「标注-复盘-训练」闭环
可下载附件
四份参考资料构成质量闭环：SOP 规范标注动作，QC 报告验证质量，badcase 知识库沉淀错误规律，Goodcase 探针库提供标杆样本。
从项目文档到开源数据
累计 30+ 份项目交付文档沉淀了评测维度、质检规则与 badcase 判定标准，这些方法论成为筛选和匹配开源数据的依据。
以上数据来源于飞书项目历史记录。出于项目保密与版式考量，本页仅展示部分内容，完整数据以实际项目交付为准。
按项目契合度自动匹配的开源数据
基于 6 个核心维度（3 大项目方向 × 视频 / 图像 / 音频等数据模态），从历史数据平台自动筛选并排序出最相关的一批数据集。下方按契合度从高到低排列，并统计出数据格式的形态分布。本页展示 50 个代表性数据集，累计匹配 60+（其余因项目保密性未展开）。
数据格式与评测维度
从视频、图像到 3D 与音频，覆盖 10+ 数据场景与 20+ 种数据格式，服务多模态训练；VBench、Video-MME 等基准提供可对比的评测口径。项目实战中沉淀出 7 类评测方向，每类都对应可量化的检查清单。
- 01 标准口径一致性
- 02 时间轴边界精度
- 03 多模态同步对齐
- 04 错误归因与闭环
- 05 SOP 与规则遵从
- 06 能力认证与分层
- 07 数据分布与长尾覆盖
数据来源与开源参考
作品集中的部分指标与方法论，参考了业界公开的评测基准（benchmark）与开源数据平台。以下整理了与视频标注、多模态评测方向高度相关的公开数据集与基准，均可点击跳转至官方页面。
说明：以上数据集与基准的版权、许可归各自发布方所有，此处仅作为方法论与行业标准参考。作品集中「15 万+ 视频数据」「正确率 92.6%」「Kappa 0.83」等指标来自真实项目交付，非上述公开数据集直接统计。
联系与下一步
这份作品集基于真实项目经历整理，会根据项目复盘及时反馈与持续迭代。
我期待的角色
加入一个视频数据团队，做「让模型看得更准、学得更稳」的标注标准与质量工作。长期希望向交互世界方向发展，深入理解数据如何驱动模型迭代。
补充材料
简历、项目数据明细、算法团队协作文档可根据需要提供。
姓名：Ace
邮箱：137****7751@139.com
手机：137****7751
微信：137****7751（同手机号）