Data / 视频生成 / 实体卡片

Panda-70M

数据集美国网络开源

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

数据类型
YouTube 视频 clip；单句短字幕
规模口径
70,817,169 clips（仓库口径 70,723,513），源 3,790,459 视频，约 16.7 万小时
License
数据须遵守 HD-VILA 许可；仓库代码另有 LICENSE
链接
github.com

内容与规模

Snap/CMU/Trento（CVPR 2024）。从 HD-VILA-100M 的 380 万高分辨率长视频切出 7081 万 clip（仓库口径 7072 万），约 16.7 万小时，均长 8.5 秒，720p [1][2]。

标注方式

字幕为单句短描述，词均 13.2；由 8 个教师模型生成候选，再用人工标注 10 万视频训练的检索模型选优；人名经 NLTK 替换为 "person" [1]。

谁拿它训练

CogVideoX 用其字幕器（数据非其子集）；Open-Sora 1.2 用 1000 万子集；OpenVid-1M / OpenVidHD-0.4M 取其 5000 万；Koala-36M 与之同源 [1]。Apple 案援引 Apple 研究者论文提到 Panda-70M [3]，见 YouTube 创作者系列诉讼（DMCA 1201）。

已知缺陷

论文自承字幕偏短、源视频偏语音类内容（新闻、电视、教学）；许可依附 HD-VILA，本身不能授予 YouTube 视频版权。

来源

  1. https://arxiv.org/html/2402.19479 (2026-10-15)
  2. https://github.com/snap-research/Panda-70M (2026-10-15)
  3. https://piracymonitor.org/youtube-publisher-sues-apple-amazon-openai-for-using-their-videos-to-train-ai/ (2026-10-15)

相关卡片

YouTube 创作者系列诉讼（DMCA 1201）概念与方法
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
HD-VILA-100M数据集 · 美国
Microsoft 的 YouTube 视频-ASR 数据集，多个后继集的共同上游
Koala-36M数据集 · 中国
可灵的 3600 万 clips 数据集，VTSS 筛选、202 词字幕
OpenVid-1M / OpenVidHD-0.4M数据集 · 中国
南大的 100 万 clips 高质量集与 1080p 子集

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。