这个 Skill 能做什么，适合哪些场景？
这是 NVIDIA 发布的物理 AI 视频数据增强工作流技能，面向 OSMO 上的视频增强和自动标注任务。它负责流程选择、凭据预检、缓存就绪检查、推理路径决策、提交时参数插值、运行监控和输出下载。支持仅自动标注、增强后标注，以及两种端到端流程。运行依赖 OSMO CLI、可用 GPU 池、相应凭据和实际数据后端。
根据用户意图选择 auto_labeling、augmentation_and_al、e2e 或 e2e_super_resolution 流程；运行凭据和控制平面预检、提交前安全检查及模型缓存准备；从实际数据集后端推导 storage_url；通过 OSMO 提交流程并监控任务状态；下载完整运行产物。增强流程完成后，还会生成增强前后并排对比，并汇总增强和伪标签结果。
- 需要只为原始视频生成伪标签的数据团队，可使用 auto_labeling 流程。
- 需要生成增强视频并为增强结果自动标注的团队，可使用 augmentation_and_al 流程。
- 需要优先吞吐量、并行运行完整流程的团队，可使用 e2e 流程。
- 需要先通过超分辨率门控再进行增强的团队，可使用 e2e_super_resolution 流程。
- 没有提供输入数据、希望先用 NVIDIA VDA 演示资产验证环境的用户，可使用默认演示路径。
如何安装这个 Skill？
- 运行会自动执行云端工作流、部署/修复 NIM、下载模型并产生 GPU/存储/网络成本；应在真实环境中确认授权、预算和回滚策略。
- 凭据会传递给 NVIDIA 容器及 VLM/LLM/Hugging Face 相关流程；外部 Google Drive、Google Storage 和 Hugging Face 下载源需要单独进行供应链、网络可达性和完整性审查。
- 仅有一次基准任务，不能据此证明多视频、失败重试、权限隔离或实际输出质量。
- Shell / 命令行
- 网络访问
- 本地文件系统
OSMO CLIBashPython 3Gitjq
使用 NVIDIA skills CLI 安装整个仓库中的指定技能：
npx skills add nvidia/skills --skill physical-ai-video-data-augmentation --yes
也可以安装到指定 Agent，例如：
npx skills add nvidia/skills --skill physical-ai-video-data-augmentation --agent codex
README 未说明该单项技能需要额外的本地安装步骤。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/physical-ai-video-data-augmentation" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 在 OSMO 上运行视频数据增强并为增强视频自动标注
向 Agent 提出明确任务，例如：“在 OSMO 上运行视频数据增强并为增强视频自动标注”。未指定流程时默认使用 augmentation_and_al；未提供视频时使用 nvidia/video-data-augmentation-demo。实际运行前需要配置 HF_TOKEN、登录 OSMO CLI、注册匹配的数据凭据配置，并确保存在 ONLINE GPU 池。缺少必需凭据、无法推导存储后端前缀或没有可用 GPU 平台时，技能会暂停并要求补充信息。
这个 Skill 有哪些优点和局限？
- 覆盖从预检到输出下载的端到端流程。
- 支持四种明确的工作流模式，并提供自动缓存修复策略。
- 要求使用实际数据后端推导存储地址，降低存储配置错误风险。
- 增强流程要求提供并排对比证据，而不只返回原始输出 URL。
- 仓库 README 说明技能通过每日同步维护，并提供签名、评估数据集和基准报告治理机制。
- 需要 OSMO CLI、已登录的 OSMO 配置、数据凭据配置和 ONLINE GPU 池。
- 通常需要 Hugging Face token；部分可选的 NGC 功能还需要相应 API key。
- 运行会依赖网络、GPU 调度和模型缓存，冷启动可能需要约 45–80 分钟。
- SKILL.md 没有提供独立测试套件或具体平台覆盖证据。
- 该技能只适用于 VDA 执行编排，不适合容器内部的调优问题。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| OSMO 物理 AI 视频增强编排器 本页 ✓ NVIDIA · 官方 | 40 · 不推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| Physical AI 基础设施与弹性扩展 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| n8n 文件与二进制数据指南 | 53 · 谨慎使用 | ★ 6.5k | 4 天前 | MIT |
| VSS 视频嵌入部署技能 ✓ NVIDIA · 官方 | 57 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| VSS 归档视频搜索 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
文档明确列出所需密钥、数据路径、输入保留规则、凭据用途和禁止缩容/删除既有 NIM 等约束，也要求从实际后端推导 storage_url；但执行会自动提交工作流、部署或修复 NIM、安装依赖并访问外部模型源，缺少逐次用户确认、最小权限说明、回滚方案和完整数据流披露，因此扣分。
流程、参数、预检、缓存检查、监控和失败时的部分反馈较完整，并使用 set -euo pipefail；但本次仅静态阅读，关键脚本未提供，依赖在线镜像、运行时 apt/pip 安装和 OSMO 环境，未能复现关键路径，异常覆盖有限，因此不超过静态上限并扣分。
触发词、适用场景、四种流程、默认值和若干阻塞条件写得清楚；但能力强依赖 OSMO、GPU 池、NVIDIA/Hugging Face/Google 下载源，未说明中文交互支持或中国大陆网络可达性，非 OSMO 环境基本不适用，因此扣分。
SKILL.md 具备用途、前置条件、脚本表、流程表、示例、限制和版本/负责人元数据，许可证也明确；但 BENCHMARK 明确指出缺少 Examples 推荐章节，作者格式不合规范，维护责任和变更日志/更新路径在技能文件中不充分，因此扣分。
目标是从预检到提交、监控、下载和增强结果对比的端到端 VDA 编排，输出路径和完成产物定义较直接；BENCHMARK 报告提供了单任务的高通过结果，但样本仅一个、无负向任务，且静态审查无法验证真实产物质量或成本收益，因此扣分。
提供固定模型修订哈希、明确配置和一份 NVSkills-Eval 报告，形成有限审计线索；但报告只有一个任务、未提供覆盖关键路径的提交测试套件或 CI 证据，且不能由本次静态材料独立复现，因此扣分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →