الكمان هو اختصار لـ VIdeO-and-Language INference، والذي يمكن استخدامه لمهام الفهم المتعدد الوسائط لمقاطع الفيديو والنصوص. تحتوي مجموعة البيانات على 95,322 زوجًا من الفيديو والفرضيات من 15,887 مقطع فيديو، تغطي أكثر من 582 ساعة من الفيديو. تحتوي مقاطع الفيديو هذه على محتوى غني بديناميكيات زمنية مختلفة، وتغيرات الأحداث، والتفاعلات الشخصية. تم جمع البيانات من مصدرين: (أ) البرامج التلفزيونية الشهيرة، و(ب) مقاطع الأفلام من قنوات اليوتيوب.