data/12.4.6/README.md

V12.4.6 S0 视频解码清单

本目录只保存复现 V12.4.6 S0 视频帧 cache 所需的数据清单和解码合同，不包含解码后的 233 GB shard。

文件

• decode_manifest.jsonl.gz：178,490 个成功视频的 canonical 顺序、相对路径、精确采样帧下标、FPS、总帧数、JPEG 大小与 CRC32。
• failures.jsonl：原始构建中跳过的 2 个视频。
• metadata.json：原始 cache 的数据合同和统计。

video_path 均相对于本地 LLaVA-Video-178K/ 数据根目录。解码后必须保持 manifest 的行顺序，训练时的 DistributedSampler(seed=42) 依赖该顺序。

解码合同

1. 使用 PyAV 读取视频，video stream 设为单线程。
2. 直接使用 manifest 中的 32 个 frame_indices。这些下标对应全时长均匀采样：np.linspace(0, total_frames - 1, 32, dtype=int)。
3. 将目标帧转为 RGB24，并以 Pillow BICUBIC 直接缩放到 384 x 384。
4. 按帧序排列为 2 x 16 contact sheet，保存为 JPEG，quality=95。
5. 跳过 failures.jsonl 中的两个视频。

预期结果为 178,490 条成功记录和 2 条失败记录。metadata.json 中的 index_sha256 对应原始未脱敏 cache index，不对应本目录的 portable manifest。

读取示例：

gzip -dc data/12.4.6/decode_manifest.jsonl.gz | head -n 1