MiraData

内容与规模

腾讯 ARC 与港中文等发布（NeurIPS D&B 2024）。clip 均长 72 秒，远长于 Panda-70M 的 8.5 秒；论文给出 788K（全量）、330K、93K、42K、9K 五档 clip，README 公开其中后四档。论文表列 1.6 万小时，对应全量 788K clip x 72.1 秒（约 1.58 万小时）；公开的 330K 版按均长推算约 6,600 小时。Koala-36M 论文与 UltraVideo 论文把 1.6 万小时与 330K 并列，属口径错配 [1][2][3]。

来源与标注

来自精选 YouTube 频道、HD-VILA-100M、Videvo、Pixabay、Pexels，720p。GPT-4V 在 2x4 帧网格上生成 6 类字幕（主体、背景、风格、镜头运动、短、稠密），词均 318 [1]。

谁拿它训练

Sora 类开源复现的长视频训练与微调。

已知缺陷

许可条款自相矛盾，商用须单独确认；混合了 YouTube 源，授权同样不清。

来源

1. https://github.com/mira-space/MiraData (2026-10-15)
2. https://arxiv.org/html/2410.08260v2 (2026-10-15)
3. https://arxiv.org/abs/2407.06358 (2026-10-15)