LAION 发布 1000 万小时开源视频数据集 BVD

LAION 于 8 月底发布大规模开源视频数据集 LAION-BVD（Big Video Dataset），用于视频、音频、图像多模态预训练，旨在填补开放多模态研究中视频数据的空白。据成员 Christoph Schuhmann（JJitsev）及参与者 Andreas Hochlehnert 的介绍，数据集已公开，基准测试表现强劲。

已确认

• 数据来源为 CommonCrawl，共收集 13 亿个平台特定的视频 URL
• 实际下载 8000 万个视频，总时长 1000 万小时
• 包含 5500 万个带说明文字（合成字幕）的视频片段
• 包含 3 亿对帧-文本对
• 面向多模态（视频、音频、图像）预训练场景，完全开源开放

为什么重要

• 视频数据一直是开放多模态研究的短板，此前开源社区缺少能与商业闭源数据规模匹敌的视频语料，LAION-BVD 直接补上这一空白
• 该数据集延续了 LAION 在开放数据领域（如 LAION-5B 图像数据集）的路线，为社区训练开源多模态模型提供了可复用的基础
• 合成字幕与帧-文本对的设计降低了下游多模态对齐任务的工程门槛

2026-08-26 ~ 2026-08-28 · 5 条相关

• 【源头】LAION-BVD：千万小时多模态预训练视频数据集 — Andreas Hochlehnert · 2026-08-26
• LAION 发布 1000 万小时开源视频数据集 BVD — HirokatuKataoka · 2026-08-27

另有 3 条近重复转述:HirokatuKataoka · JJitsev · const_reborn