InternVid
上海 AI Lab 的 2.34 亿 clips、76 万小时 YouTube 数据集
- 数据类型
- YouTube 视频 clip；多语言生成字幕
- 规模口径
- 约 710 万视频、2.34 亿 clips、约 76 万小时、4.1B 词（作者口径）
- License
- HF 页标 cc-by-nc-sa-4.0，需登录同意条款（10M-FLT 子集同）
- 链接
- huggingface.co
内容与规模
上海 AI Lab（OpenGVLab）发布，源自公开 YouTube 视频，仅发 ID。约 710 万视频切出 2.34 亿 clips，总计约 76 万小时、4.1B 词，约 85% 为 720p，在论文对比表中时长最大 [1]。InternVid-10M-FLT 为过滤后的 1000 万子集。
标注方式
字幕由 Tag2Text 逐帧描述经 LLM 合并（细粒度）加 BLIP-2 中帧描述（粗粒度）生成，英文；视频采自 11 种语言的国家/地区，ASR 转写含多语言。论文认为 ASR 很少描述可见内容，转写只用于交错格式 [1]。
谁拿它训练
训练了 ViCLIP 与 InternVideo2，下游引用广泛 [1]。
已知缺陷
同样依赖 YouTube 抓取，授权不明；整套数据 HF 页标非商用（cc-by-nc-sa-4.0）并需登录同意条款。生成字幕存在幻觉与重复。
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。