Moving Alphabet：文字產生影片訓練資料的控制性研究
為何重要
這項研究揭示了 Text-to-Video 訓練僅最佳化架構是不夠的，資料科學層面的投入才是效能關鍵。其研究方法（程式化資料）為業界提供了一個可控的測試基準。對投資人與開發者而言，這意味著未來模型的競爭力將從演算法轉向資料策展，資料品質已成為訓練可投產模型的核心壁壘。
Text-to-Video 模型近年透過擴增規模、資料與算力顯著進步，但相較於架構，訓練資料的策展與品質常被低估。本研究提出 Moving Alphabet 程式化測試平臺，以精確控制資料分佈與標註品質，分析其對模型泛化與學習效率的影響。
- 移動字母測試平臺在黑色背景上渲染變異（字型、顏色、大小、位置）並不同方向移動的字母。
- 實驗確認影片內容的多樣化與時間長度的平衡，對模型的泛化能力至關重要。
- 標註品質會顯著影響效能與訓練效率，表明模型效能受制於影片理解能力。
- 僅靠 Classifier-free guidance 與高品質資料微調，無法完全彌補不良預訓練資料帶來的損失。