字节 Waver

数据规模与来源

Waver（arXiv 2508.15761）自述模型共见过 200M+ 视频片段，这是字节系论文披露的较大数字（公司口径）。来源未点名，也未说明是否含平台 UGC 或授权库 [1]。

质量过滤

团队先选出 100 万+ 高质量片段，由人工标注"高质量"及 13 个低质量维度，再据此 SFT 一个 VideoLLaMA3 质量过滤模型，用 MLLM 取代传统阈值规则，对全量数据打分筛选 [1]。

与同门对照

字节 Seaweed-7B 约 100M 片段、SFT 约 70 万；Waver 见过的片段数约为其两倍，但该数字含多轮重复曝光的口径尚不明确。两篇与 字节 Seedance（1.0 / 2.0）与即梦 1.0 共同构成字节公开数据账的三个切面；SFT 与偏好数据量在 Waver 中同样未见系统披露。

争议

无针对 Waver 的专项诉讼。字节整体的数据争议集中在 Seedance 2.0 的好莱坞 C&D 与 The Atlantic 对其所用数据集的点名。

来源

1. https://arxiv.org/pdf/2508.15761 (2026-10-15)
2. https://arxiv.org/html/2504.08685 (2026-10-15)