VTSS 视频训练适用性评分

原理

VTSS（Video Training Suitability Score）出自可灵团队的 Koala-36M 论文：不再用美学、光流、OCR 等多阈值逐项过滤，而是由 8 位专家对约 20 万条视频按 1-5 分评定"是否适合训练"，再训练动态 3D Swin、静态 ConvNeXt 与标签三分支网络预测分数 [1]。

用法与规模

Koala-36M 与 Panda-70M 同源，切镜加 caption 后约 4800 万 clip，VTSS 阈值 2.5 过滤得 3600 万，留存约 75%（由两数推算，非论文直接给出）[1]。caption 词均 202，GPT-4V 标注后微调 LLaVA 全量标注 [1]。生产中是否使用 VTSS 未披露。

局限

• 评分来自 8 人主观判断，偏差未公开。
• 表列 17.2 万小时，而 3600 万 × 13.75 s 约 13.7 万小时，口径矛盾，引用需标注 [1]。

来源

1. https://arxiv.org/html/2410.08260v2 (2026-10-15)
2. https://arxiv.org/html/2402.19479 (2026-10-15)