OmniVideo-100K هي مجموعة بيانات لاستنتاج الصوت والفيديو، تُستخدم لضبط التعليمات بدقة في نماذج اللغة متعددة الوسائط واسعة النطاق، وقد أصدرتها جامعة نانجينغ في يونيو 2026 بالتعاون مع معهد الأتمتة التابع للأكاديمية الصينية للعلوم. وتشمل الأبحاث ذات الصلة... OmniVideo-100K: مجموعة بيانات للاستدلال السمعي البصري من خلال النصوص المنظمة وسلاسل الأدلةيهدف إلى تعزيز القدرات التعاونية للنماذج في السلاسل الزمنية طويلة المدى والاعتمادات متعددة الوسائط، ويستخدم على نطاق واسع لتدريب وتقييم قدرات النماذج الكبيرة متعددة الوسائط في فهم الفيديو ومهام الاستدلال المعقدة. تحتوي هذه المجموعة من البيانات على 100,000 زوج من الأسئلة والأجوبة من 5,214 مقطع فيديو على يوتيوب، مقسمة إلى 70,000 زوج من الأسئلة والأجوبة المفتوحة و30,000 سؤال متعدد الخيارات بناءً على نمط المهمة. وتغطي 10 أنواع من مهام الإجابة على الأسئلة الصوتية والمرئية، وهي مقسمة إلى ثلاثة مستويات معرفية: التوافق، والفهم، والاستدلال.

الاستشهاد

@article{cai2026omnivideo100k,
title={OmniVideo-100K: A Dataset for Audio-Visual Reasoning through Structured Scripts and Evidence Chains},
author={Cai, Xinyue and Fu, Chaoyou and Zhang, Yi-Fan and He, Ran and Shan, Caifeng},
journal={arXiv preprint arXiv:2606.14702},
year={2026}
}