用途：把原始视频转成用于视频理解模型的思维链问答训练数据。视觉语言模型（如 Gemini、Qwen）充当教师标注器：步骤 0–1 需模型看视频（VLM 调用），步骤 2–3 为纯文本（更便宜的 LLM 调用）。
主要能力：流水线含步骤 0 可选筛选与分类、1a 全局与密集字幕、1b 分块字幕、1c 可选异常高亮、2 描述合成、3 问答生成（MCQ、判断、开放式含推理）、4 解析输出为 tao-vl-reason-v1.0 JSON。各步骤可通过 workflow.steps 单独选择，内置断点续跑，跳过已处理视频。
使用方式：在 TAO Toolkit 容器内经 auto_label CLI 运行，例如 auto_label generate -e /path/to/spec.yaml results_dir=/results video_reasoning_annotation.data.video_root=/videos video_reasoning_annotation.vlm.gemini.api_key=$GOOGLE_API_KEY video_reasoning_annotation.workflow.mode=auto。可用 auto_label default_specs 生成默认 spec，再设 autolabel_type: "video_reasoning_annotation"。所有字段支持 Hydra 点号覆盖。
输入支持 video_root 目录或含 {"video_path":"..."} 的 JSONL。输出至 results_dir 各步骤子目录，步骤 4 生成最多 10 个任务 JSON 文件。
适用场景：通用、交通、仓储等视频领域，用于构建视频推理标注数据集。
限制：需 VLM 端点（Gemini 密钥或 OpenAI 兼容端点）；分块字幕与高亮需 ffmpeg/ffprobe；运行于指定 TAO Toolkit 容器。定制领域需先按领域适配流程填写提示模板。价格、具体效果等资料暂未提供。