请说明视频生成模型的监督微调（SFT）中，训练数据构建有哪些关键要点？

回答思路

1. 说明视频与文本/图像数据在质量、多样性上的差异
2. 提及数据清洗、时长、分辨率、动作分布等关键点
3. 涉及数据标注与指令对构建的一致性