音视频数据-通用视频理解 (Video-10M)
文本图像视频表格/结构化预训练图文到文本视频文本到文本图生文科学/学术社交媒体100K–1M1073.3万 条数据更新时间 2026·07·08
数据集简介
主要数据内容包括： 大规模视频数据与视频文本描述（Video-Text Pair） 超过千万级互联网公开视频资源 包含视频标题、时长、URL 与元数据信息 覆盖自然场景、人物、城市、运动、生活、艺术等多类别视频内容 多场景短视频与动态视觉内容数据资源 适用于视频理解与生成任务的多模态训练数据 支持的能力方向包括： 视频理解与视频分类模型训练 Text-to-Video 视频生成模型训练 视频 Caption 与视频语义理解 Video-Language Model（VLM）训练 动作识别与场景识别训练 多模态视频语义对齐与检索任务 适用于： 视频生成式 AI 模型研发 多模态视频模型预训练 视频理解与分析算法研究 视频检索与推荐系统训练 AIGC 视频内容生成与数据研究 计算机视觉与多模态 Benchmark 场景
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
文本图像视频表格/结构化预训练图文到文本视频文本到文本图生文科学/学术社交媒体100K–1M
