HoloCine（多镜头）
HKUST + 蚂蚁的多镜头叙事生成，约 40 万样本
- 数据类型
- 影视剧集多镜头视频；分层 prompt
- 规模口径
- 约 40 万多镜头样本，最多 13 镜头，480x832
- License
- 未查到
- 链接
- arxiv.org
数据来源与规模
HKUST 与蚂蚁于 2025-10 发布（arXiv 2510.20822）。语料为影视剧集，约 40 万多镜头样本，基于 阿里通义万相 Wan（2.1 / 2.2 / 2.5） 2.2 微调，分辨率 480x832 [1]。
加工流程
TransNet V2 切镜头；video-subtitle-extractor 去字幕；剔除过短、过暗、低美学分的片段（无数值阈值）；相邻镜头按 5/15/60 秒目标时长拼接，最多 13 个镜头；Gemini 2.5 Flash 生成全局 prompt 与每镜头 prompt [1]。
对照
Long Context Tuning（多镜头） 用约 50 万场景样本加 100 万伪多镜头样本；两者都是单镜头预训练后的微调数据，商业模型 Kling 3.0、Wan 2.6 也宣称支持多镜头（第三方口径）。
争议
影视剧集的授权与来源未说明，是版权高风险品类；未报小时数。
来源
相关卡片
卡片整理 2026-10-15。公司自报数据标“公司口径”；⚠️ 为未经独立核实。