Koala-36M

内容与规模

快手可灵与中科院自动化所等发布（CVPR 2025）。与 Panda-70M 同一批原始视频（间接源自 HD-VILA-100M）切镜、标注后约 4800 万 clip，经 VTSS 视频训练适用性评分 阈值 2.5 过滤得 3600 万，留存约 75%（由两个数字推算）[1][2]。clip 均长 13.75 秒，720p。

标注方式

切镜用 Color-Struct SVM（召回 0.9395、精度 0.7547）；字幕先由 GPT-4V 标注，再蒸馏到微调 LLaVA 全量标注，词均 202；约 20 万视频由 8 位专家打分用于训练 VTSS；美学等指标作为 metric condition [1][2]。

谁拿它训练

可灵称采用自建数据方案；Phantom-Data 把它用作公开视频池之一 [3]，见 Phantom-Data。

已知缺陷

论文表列 17.2 万小时，与 3600 万 clip x 13.75 秒（约 13.8 万小时）自相矛盾；UltraVideo 论文对比表列其为 137K 小时，与后者一致 [4]；切镜精度仍有误差；过滤管线不解决授权问题。

来源

1. https://arxiv.org/html/2410.08260v2 (2026-10-15)
2. https://arxiv.org/html/2410.08260 (2026-10-15)
3. https://arxiv.org/html/2506.18851v1 (2026-10-15)
4. https://arxiv.org/html/2506.13691 (2026-10-15)
5. https://arxiv.org/html/2506.13691 (2026-10-15)