SkyCaptioner-V1

原理与数据

SkyCaptioner-V1 基于 Qwen2.5-VL-7B 微调，训练集约 200 万视频，从 1000 万池中均衡选出；监督信号来自 Qwen2.5-VL-72B 与各子专家 captioner（镜头类型、表情、运镜等），输出镜头语言、表情、运镜的结构化标注 [1]。

准确率

人工核对 1000 条，平均准确率 76.3%，对比 72B 基线为 58.7%（论文口径，样本小）[1]。

使用与背景

服务于 昆仑万维 SkyReels（V2 / A2） V1/V2。其数据池含自采影视：28 万+电影、80 万+剧集、估计总时长 6.2M+ 小时，原文未写授权或采购方式，是全表中最直接的版权暴露点；切镜用 TransNetV2。后训练用约 100 万 SFT 子集做镜头运动均衡。

来源

1. https://arxiv.org/html/2504.13074 (2026-10-15)