15000小时短视频数据集

数据规格
总时长15000 小时，单条视频10–30 秒，分辨率、帧率、编码规范统一，便于批量训练。
文本标注规则
每条视频对应精准文本描述，涵盖场景、主体、动作、氛围、逻辑等语义信息，标注清晰无歧义。
清洗与质控规则
经过去重、去模糊、去水印、去违规内容、去低质片段，数据纯净度高、可用性强。
算法适配
天然适配CLIP、BLIP、LVM、文生视频模型、多模态因果建模、对比学习、掩码建模等主流训练范式。

搜集汇总

背景与挑战

背景概述

该数据集是一个规模达15000小时的短视频集合，专为多模态人工智能应用设计，每年更新一次。数据经过严格清洗和标注，每条视频时长10-30秒，具有统一的规格，适用于大模型训练、视频生成与编辑、内容理解等多种场景。其高质量和结构化特点使其能有效支持CLIP、BLIP等主流算法的预训练和微调。