做视频模型，难点不只在“喂多少视频”，还在于哪些片段被留下、哪些被删掉。过去，这套挑选过程往往藏在实验室内部，外界看到模型，却看不清数据怎样塑造了它。VidaForge把这部分基础设施开放出来，让研究者不必先自建一整套流水线，就能检查和比较不同选择。
它把“数据配方”——从原始视频到训练集的一整套规则——拆成五步：导入、按场景切片、筛选、加注释和打包。每一步都保存结果、参数和单条样本的处理记录。比如研究者改变清晰度门槛时，可以复用此前的评分，不必从头处理，还能追溯某个训练片段为何入选。
最值得注意的是，作者用 Wan 2.1 和 V-JEPA 2.1 从头进行早期预训练时发现：覆盖面更广、质量较混杂的配方，在两类模型的下游测试中得分最高；但只看训练损失，结论会偏向别的配方。换句话说，“模型学得更顺”未必等于“最后更有用”。团队同时发布 VidaForge-3M，含 314 万个场景级片段、共 6475 小时；上述结论仍限于论文所设的早期预训练比较。