LAION开源千万小时视频数据集 主攻多模态预训练

时间：2026年8月26日 地点：德国 / 全球（开源发布） 人物：LAION 团队核心作者 Andreas Hochlehnert、Christoph Schuhmann、Jenia Jitsev、Matthias Bethge 等；图宾根大学、马克思·普朗克智能系统研究所参与 事件详情：LAION 于 8 月 26 日正式发布大型开放视频数据集 LAION-BVD（Big Video Dataset），包含从 Common Crawl 抓取的 13 亿条平台视频 URL，其中实际下载 8000 万条视频，总时长达到 1000 万小时。研究团队利用内容感知场景检测，从中抽取 5500 万个视频片段并合成生成视频与音频描述，同时提取 3 亿帧画面用作图文对。论文显示，基于 LAION-BVD 训练的模型在常用视频-文本与音频-文本基准测试中，相较基于 InternVid 训练的同规模模型最高有 2.1 个百分点的提升，且随训练规模与模型规模扩大而持续提升。LAION 已将该数据集与配套代码以研究用途的形式公开发布，GitHub 仓库同步上线。 背景：LAION 是开源图像数据集 LAION-5B 的出品方，长期为社区提供训练数据，但在视频领域一直缺少能够对标商用闭源语料的大规模开放数据集。LAION 援引 2024 年汉堡地方法院的一项裁定，该裁定允许非营利机构为非商业研究目的抓取受版权保护的内容，为 BVD 的数据收集提供了法律基础。 影响：LAION-BVD 是目前规模最大的开源视频预训练数据集之一，填补了开源社区在视频-音频-图像多模态预训练上的关键空白，使中小团队也能训练视频理解、音频对齐、跨模态检索等模型，与 Google、Meta 等闭源视频语料形成补充。3 亿帧的视觉分布与网页图像差异明显，也可作为大规模图文检索语料单独使用。 总结：LAION 用 1000 万小时的开源视频，把开放社区的多模态训练拉到了能跟闭源语料对标的体量。 参考来源： - https://laion.ai/blog/ - https://projects.laion.ai/bvd/ - https://the-decoder.com/laion-drops-massive-open-video-dataset-with-10-million-hours-of-footage-for-ai-research/ - https://arxiv-troller.com/paper/3277650 - https://agihunt.info/en/e/1a03c18ac2873bbc7049a2fe96e - https://tldr.takara.ai/p/2608.24845 - https://github.com/LAION-AI/BVD