SpatialVID

内容与规模

南京大学与中科院自动化所等发布（2025-09，arXiv 2509.09676）。人工筛选 YouTube 33,443 段（21,789 小时，关键词 walk/tour/drone 等）→ 切 3–15 秒 → 美学/亮度/OCR/运动四项过滤 → 271 万 clip、7,089 小时，保留率约 33% [1]。

标注方式

改造的 MegaSaM 估相机位姿与深度，SAM2 出动态掩码，Gemini-2.0-Flash + Qwen3-30B 生成结构化字幕与运动指令 [1]。

口径冲突

原始时长一说 21,789 小时、一说 "超过 21,000 小时"；HQ 子集一说约 37 万 clip、约 1,111 小时（论文 v2），另一说 1,146 小时（二手口径），以论文为准 [1]。

谁拿它训练

相机控制与世界模型研究（如相机条件微调）。

已知缺陷

HF 页标 CC-BY-NC-SA-4.0（非商用）；源自 YouTube 野生视频，授权不明；位姿由模型估计而非传感器真值。

来源

1. https://arxiv.org/html/2509.09676v2 (2026-10-15)
2. https://arxiv.org/abs/2509.09676 (2026-10-15)