题目重点：区分同文件、转码重复与内容近似，不只比较单个embedding。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练合同覆盖剪辑、转码、裁剪导致的近重复；业务相似定义/阈值必须由标注验证。
- 是否版权违规不是仅靠相似度可推出的事实，系统先提供候选与证据。
解题路线
- file hash只处理精确重复，感知指纹/片段embedding召回近似候选；分段匹配与时间对齐核对覆盖比例，减少相似场景误报。
- 向量量化/近似索引控制成本，需测recall而非默认无损。多modal可结合画面/音频，缺音轨和背景复用分层验证。
- 自动处置阈值按误报/漏报代价与人审容量，保留匹配片段、模型版本与申诉入口。更新索引/删除请求及时传播，不能只留一个永久相似标签。
手动走一遍
同一视频降码率后hash全变，片段指纹仍可能匹配；不同体育比赛共享解说音频不能单凭音频判整视频重复。假设每视频100片段、每天百万视频即亿向量/日，需先降采样/聚合并定保留期，不能把全量两两比较当可扩展方案。
规模与取舍
精确两两匹配O(N²)，近似候选把精排降到每视频C候选但recall有损需实测；存储按片段数×向量位数估算。
易错点与追问
容易失分的边界
- cosine高不保证时间片段对应或业务重复。
- 近似索引召回漏检不会被后续精排修复。
继续深挖
- 短片段复制、加边框或调速分别怎样影响特征？
- 怎样把人工申诉结果纳入训练，又避免只学被处置样本？
