把人物外套换色、在肩膀上加一只鹦鹉，再替换背景，现有视频编辑数据通常会把三项操作拆成三个样本。腾讯发布CoinVE-200K，把2至5种原子编辑组合进同一条指令，目标同时覆盖人物、物体和背景。
数据集包含20万级1080p视频编辑对，单段最长201帧。编辑原子包括添加、删除、修改和风格化，团队通过生成与筛选流水线检查指令遵循、视觉质量、时间一致性和组合复杂度。它是一套训练与评测资源，数据规模本身不能证明某个模型已经能稳定完成这些编辑。
单一编辑数据教不会多目标协同
单操作数据通常只要求“删除路人”或“把汽车改成红色”。真实创作指令常同时包含多个对象与约束：保留人物身份、替换服装、增加道具、修改背景风格，还要让每一帧都保持一致。模型若只见过单任务，容易完成其中一项后漏掉其余要求。
CoinVE-200K把组合性放到样本定义里。每条指令含2至5个编辑原子，目标可能落在人、物或背景，操作覆盖添加、移除、属性修改与风格化。多个动作共用一个视频输入和一个编辑结果，使模型必须学习指令拆解与联合执行。
样例展示同一视频中对人物服饰、附加物体和背景进行多项联合修改。
数据保持1080p，并将序列长度扩展到最多201帧。高分辨率增加细节难度，长序列则要求新增物体、服装纹理和场景变化在时间上连续，不能只让单帧看起来正确。
生成之后还要经过多级筛选
大规模编辑对难以完全依靠人工逐帧制作。论文采用生成与过滤流水线构建候选，再从指令忠实度、视觉质量、时间一致性和组合程度筛选。任何一项不合格，都可能让训练把错误对应当成规则。
论文案例对照原视频与组合编辑结果，检查多项指令是否同时落实。
指令忠实度关注每个原子操作是否出现；视觉质量检查明显伪影；时间一致性关注物体身份、位置和纹理能否跨帧保持；组合性则防止所谓多操作样本实际只由一个主操作决定。论文还提供数据统计，帮助使用者按帧数、目标与编辑类型分析分布。
编辑掩码把变化区域显式标出来
组合编辑容易误伤无需改变的区域。CoinVE-200K在构建阶段使用编辑掩码标记目标区域，让模型区分“需要生成”与“应该保留”的像素。人物、物体和背景同时修改时，掩码还能帮助评测每项操作是否落在正确位置。
流水线从视频和组合指令生成候选编辑对，再按多项质量条件过滤。
掩码并不能解决全部问题。遮挡、镜头运动和物体形变会让区域边界随时间变化；一处编辑还可能合理影响阴影、反射和邻近物体。使用者需要结合视频内容判断掩码是硬约束还是辅助监督。
掩码示意标出不同编辑原子对应的目标区域，保留区域不应被无故改写。
数据集同时开放项目页、数据与代码入口，便于复现统计和构建流程。外部训练仍应核查许可证、人物内容与合成数据偏差，并把训练集和评测视频严格去重。
从数据集走向可控的长视频编辑
CoinVE-200K可以用于训练能拆解复合指令的编辑模型，也能建立逐操作评测：分别计算添加、删除、属性修改和风格化是否成功，再测未编辑区域保持与时间一致性。这样比单一整体分数更容易定位模型漏做哪一步。
下一步应增加真实用户指令、复杂镜头运动和更长视频，并报告组合操作数量增加后的性能曲线。产品端还需要可撤销的分步控制，让用户在五项修改中只重做失败的一项。数据集已经把问题从“一次改一个地方”推进到“多项要求共同成立”，模型能否稳定遵循仍要由独立训练和第三方评测回答。
参考资料
https://arxiv.org/abs/2608.17566
