实体卡片

澳洲上市数据服务商，中国 LLM 项目拉动增长

定制采集与视频 RLHF 标注商，单案例交付 97.6 万条质量评估

非结构化图像与视频数据理解和检索平台

把 AI 视频授权做成增长主线的小型上市纪录片公司

实时 Minecraft 世界模型，据称数百万小时画面且未获微软许可

AI 数据市场与经纪商，长视频 $100-300/小时的报价被广泛引用

Falcon 数字孪生仿真平台，输出带标注合成传感器数据，偏国防与机器人

视频数据标注、策展与检索平台，非预训练级清洗引擎

Medal 分拆，用游戏剪辑训练世界模型与动作模型，Series A $320M

编辑与创意图库，2025Q4 两笔多年期授权交易带来约 $40M 当期收入，合并 Shutterstock 失败

英国 AI 数据市场，2026-01 被 Cloudflare 收购，未见视频专项

专家承包者撮合平台，转型为 AI 实验室的训练数据供应商

帮游戏公司把既有资产卖给世界模型厂商的撮合市场，$8M 种子

自动驾驶合成相机/LiDAR 数据 API 与数字孪生仿真；无视频生成产品披露

视频、音频、医疗数据经纪商，并购 Calliope，视频库 30 万小时以上

瑞士移动 App 众包人类反馈，发布 Veo 3.1 等视频偏好集

数据引擎加 Outlier 专家众包平台，Meta 持约 49% 非投票权

自助检索购买视频数据，$3/小时，公开价格带的最低端

披露最完整的 AI 数据授权上市公司，数据分部 2025 年 $203.3M，2026 年转降

无外部融资的 RLHF 专家标注商，旗下 DataAnnotation

付费演员绿幕棚拍训练数字人，按次分成

人脸与人体合成数据厂商，2025-09 被 Globant 收购（CB Insights 口径）

创作者与档案视频授权聚合商，公司口径累计付出超 $20M、授权视频 8M 小时

70 万创作者的 AI 数据集平台，2026-05 融资 $23M

英国授权游戏动作数据商，£7M 种子，自称授权近 100 万小时

电视剧版权平台，向大模型客户出售语料（新华社口径），收入未披露

仿真资产与第一视角人类视频数据商；视频生成客户未披露

影视版权库、算力与可灵股东，AI 语料授权收入未单列

自报 950 万小时视频库的多模态版权数据商，缺一手证据

影视版权发行商，对华为云授权视频大模型训练素材，AI 业务未单列

北京新三板挂牌的老牌训练数据服务商，与海天瑞声是同业竞争对手而非同一品牌

北京数据标注与管理服务商，主要客户在自动驾驶，未见视频生成相关披露

自称高质量数据运营商，报称近百万段视频描述成品集

有视频到文本标注案例，近期叙事转向具身数据集

A 股上市训练数据商（688787），含视频理解数据集

国内最大图库，含 AI 训练数据的增值服务分部 2025 年仅 4554 万元，2026-06 递港股

Microsoft 的 YouTube 视频-ASR 数据集，多个后继集的共同上游

教学视频 ASR 旁白预训练集的奠基作

上海 AI Lab 的 2.34 亿 clips、76 万小时 YouTube 数据集

可灵的 3600 万 clips 数据集，VTSS 筛选、202 词字幕

长视频（均 72 秒）加 318 词 GPT-4V 字幕的 Sora 类训练集

ReCamMaster 配套的 UE5 合成多机位视频集

南大的 100 万 clips 高质量集与 1080p 子集

Snap 等的 7080 万 clips 短字幕数据集，源自 HD-VILA

ByteDance 跨上下文身份配对集，约 100 万对

带 3D 几何与物理属性标注的大规模物理现象合成视频集

DeepMind 真实实验视频物理理解基准，发现视觉真实不等于物理理解

首个大规模手绘卡通视频-文本集，4200 万关键帧

GPT-4V 差分滑窗字幕，蒸馏出 480 万 clip 的字幕器

270 万 clips 带相机位姿、深度的空间标注实拍集

AudioSet 派生的 170 万条音视频文本对基线集

4K/8K YouTube 数据集，824 词/视频的结构化字幕

快手 18.2 万偏好三元组与配套多维奖励模型

TIGER-Lab 5 维视频质量评分集，20 位专家约 4 周

仅用 YouTube CC 许可视频的 109 万 clips，合规路线样板

清华/智谱的细粒度多维奖励，64 个二元问题

Shutterstock 预览片数据集，唯一被明确下架的主流集

盲测成对投票的视频生成 Elo 榜，附 API 价格

智谱为 CogVideoX 蒸馏的端到端视频 captioner

阿里云开源多模态数据处理系统，含视频运动打分与场景切分算子

700 prompt、17 项客观指标的视频生成评测

Ray 底座的视频清洗、切分、caption、去重一条龙管线

事实标准的规则式视频切镜库

昆仑万维面向影视镜头语言的结构化 captioner

字节开源 7B 视频描述模型，Seedance 1.0 的 captioner 底座

神经网络镜头边界检测，Cosmos、LongCat 采用

16 维/5 大类视频生成评测套件，附人类偏好验证

基于 yt-dlp 的视频数据集下载与打包工具

首个好莱坞片厂诉图像/视频生成器的案件，直指训练与输出，仍在审前

三大片厂诉海螺 Hailuo 母公司，驳回动议被拒，进入证据开示

$10 亿股权加 200+ 角色生成授权，非训练授权；随后 OpenAI 退出视频生成

欧盟要求通用模型公开训练内容摘要并遵守 TDM opt-out，披露成为合规成本

英国高院 2025-11 判模型权重不是侵权副本，Getty 次级侵权诉求败诉

以 2 万部影视片库训练仅供 Lionsgate 内部使用的定制模型，授权换定制范式

2026-08 好莱坞行业协会与字节的输出侧 IP 治理备忘录，不含训练授权费

递归用生成数据训练致分布退化；图像有研究，视频专门研究未查到

404 Media 披露的 Runway 内部表格，列出数千个 YouTube 频道与盗版站视频

Sora 2 以事后 opt-out 处理角色版权，遭好莱坞与日本行业协会反对后转向 opt-in

Alex Reisner 做出可搜索数据库，显示至少 1500 万 YouTube 视频进入科技公司训练集

Koala-36M 提出的专家标注打分网络，用单一分数替代多阈值堆叠筛 clip

同一批创作者起诉多家科技公司抓取 YouTube 训练视频模型，核心是规避技术措施

2024-12 上线的创作者开关，默认关闭，只管第三方、不管 Google 自家模型

要求训练数据来源合法、不侵权；标识办法管输出；训练侵权尚无判决

视频授权公开价格带从 $0.55 到 $375 每小时，几乎全是二手口径

用自训 VLM 为全部训练视频重写文本，是当前最普遍的合成数据

UGC 平台靠用户协议取得训练授权，措辞从明示到概括不一，且不覆盖出镜第三方

聚类后按簇重采样压低头部概念、保留长尾，是视频预训练配比的通用手段

把多步或双向教师压成少步、因果学生，训练信号由教师生成

国内视频平台以训练使用版权素材起诉视频模型公司，上海徐汇法院在审

用 Veo/Sora/Kling 输出训练竞品受服务条款限制，公开执行案例未查到

合法获取倾向 fair use、盗版与竞品复制不是；尚无视频案判决

独立于版权的第二条约束线，使带 release 的真人素材成为溢价品类

把 GRPO 用于扩散/整流流，靠现成奖励模型不需新人标

HKUST + 蚂蚁的多镜头叙事生成，约 40 万样本

ByteDance Seed 的场景级多镜头微调，单/多镜头 1:1 混合

快手以 UE5 多机位同步渲染数据训练相机可控视频重渲染

用自动打分构造 1 万 best/worst 偏好对的视频 DPO

字节 Seed 7B 视频基座，披露约 100M 片段与 6 级质量过滤

字节 Seed 视频模型，自述见过 200M+ 片段并训练 MLLM 质量模型

论文估计主要视频数据集约 73.3% 来自 YouTube，主张转向可授权来源

「商业安全」路线：Adobe Stock 加定向采购，贡献者奖金加企业赔偿

B 站动漫视频生成模型，自称 1000 万+ 动画片段，片源未公开

图像/视频/音频/动作统一模型，2026-07 早期访问发布，训练数据未披露

实时可交互世界模型，训练数据官方未披露

用 YouTube 库子集训练，Gemini 多级 caption，音视频联合

100+ AAA 游戏录屏加 MonST3R 反推相机位姿

公开数据加 Shutterstock 研究授权，权重开放但数据不开放

Ray2/Ray3 训练数据完全未披露，靠融资与分发扩张

公开了完整策展、captioner 与 SFT 流程的闭源视频模型

用 Bleeding Edge 约 7 年真实对局训练的游戏世界模型

2025-06 发布视频 V1，训练数据未披露，被三大片厂起诉

MiniMax 视频模型，数据未披露，同时被好莱坞三大片厂与爱奇艺起诉

自称全授权视频模型，创作者直签按时长计价

以分割、深度、LiDAR 等控制输入做 sim-to-real 视频迁移的 Cosmos 模型

20M 小时原始视频提炼约 1 亿 clip，含 4% 渲染合成，面向 Physical AI

潞晨开源视频模型，训练成本 $199.6K，披露三段样本量

数据配方基本未披露，外采 Shutterstock；2026-03 宣布停止 Sora

双骨干音视频联合模型，音频塔预训练数十万小时语音

训练数据、授权、诉讼均未查到，仅有 2023 融资记录

被曝抓取近 4000 个 YouTube 频道；以 Lionsgate 片库定制模型示范授权合作

开源自回归视频模型，训练集称来自多渠道数十 PB 原始数据

开源交互世界模型，Minecraft 加 Unreal 引擎合成动作标注

Stability AI 用 Objaverse 对象轨道渲染微调 SVD 的多视角生成模型

LVD 5.8 亿 clip 清洗配方是最完整的公开视频策展范例之一

字节视频生成模型，技报称数据来自公开与授权库，规模未披露

快手视频生成模型，训练数据仅靠 Koala-36M 与 Omni 技报透出管线轮廓

昆仑万维开源视频模型，技报称自采 28 万+ 电影与 80 万+ 剧集，授权状态未披露

智谱开源视频模型，约 35M 单镜片段，配套 CogVLM2-Caption

C 端特效视频模型，无技报，1.5 亿用户记录或为偏好池

清华系视频模型，无平台、零训练数据披露，靠股权绑定版权库

百度中文音视频一体生成模型，仅有"亿级中文多模态清洗"媒体口径

腾讯开源视频模型，1.5 版披露原始超 1000 万小时、预训练约 8 亿片段

阶跃开源 30B 视频模型，预训练约 20 亿视频-文本对，12 万簇平衡

阿里开源视频模型，技报写明"内部版权来源加公开数据"及完整过滤账