Comparison of different video transformer models and their architecture details.

Figshare2026-02-05 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/_p_Comparison_of_different_video_transformer_models_and_their_architecture_details_p_/31271641 数据链接链接失效反馈

官方服务：

资源简介：

Comparison of different video transformer models and their architecture details.

创建时间：

2026-02-05

VideoVista

视频理解

多模态模型评估

VideoVista是一个综合性的视频理解与推理评估基准，由哈尔滨工业大学深圳研究院创建。该数据集包含3,400个视频，涵盖14个类别，总时长从几秒到超过10分钟不等，共衍生出25,000个问题。数据集的创建过程利用了GPT-4模型和先进的视频分析工具，确保了数据的高质量和多样性。VideoVista主要用于评估大型多模态模型在视频理解任务中的表现，特别是解决视频内容分析中的细粒度任务和逻辑推理问

arXiv2024-06-17 更新960

vlv-bench/VLV-Benchmark

视频理解

多模态学习

VLV-Bench是一个用于长视频理解的综合基准测试数据集。该数据集包含平均时长为76.34分钟的长视频，108.2K个问答对，问题类型多样，涵盖九种不同的技能，包括选择题和开放式问题。视频来源主要是电影和日常电视节目，设计了需要批判性思维和全面理解的人类级别问题，如电影剧透问题。该数据集用于评估现有的大型多模态模型（LMMs），包括商业模型Gemini 1.5 Flash和开源模型。评估结果显示

Hugging Face2024-06-18 更新610

Video Trimming Benchmark

视频编辑

视频理解

该数据集是为视频修剪任务专门创建的基准数据集，包含了从互联网上获取的原始用户视频，并标注了浪费和亮点标签。数据集的创建旨在通过视频字幕生成、片段过滤和故事编排三个阶段，生成具有连贯故事线的视频。数据集的应用领域主要集中在视频理解和视频编辑，旨在解决长视频中冗余内容过滤和关键片段提取的问题，从而生成更紧凑、更具吸引力的视频内容。

arXiv2024-12-13 更新260

VALUE benchmark

视频理解

自然语言理解

VALUE基准是一个包含11个视频与语言理解数据集的综合评估平台，旨在评估视频与语言理解系统的多样性和泛化能力。这些数据集涵盖了视频检索、视频问答和视频字幕等多种任务，涉及不同类型的视频，如电视剧集、YouTube教学视频和电影片段。VALUE基准不仅关注视频帧的使用，还强调了视频帧与其伴随字幕的结合使用，以及跨多个任务的知识共享。此外，VALUE基准还包括了不同难度级别的任务，并提供了一个统一的

arXiv2021-08-19 更新610

LongVA-TPO-10k

视频理解

时间偏好优化

LongVA-TPO-10k数据集是为长视频理解中的时间偏好优化（Temporal Preference Optimization）而设计的。该数据集由论文《Temporal Preference Optimization for Long-form Video Understanding》引入，旨在优化长视频内容的时间偏好理解。

Hugging Face2025-01-24 更新470

Comparison of different video transformer models and their architecture details.

资源简介：

相关数据集