DREAM-1K 是由字节跳动发布的一个视频描述基准数据集，相关论文成果为：「Tarsier: Recipes for Training and Evaluating Large Video Description Models」。

该数据集包含 1,000 个带注释且复杂程度各异的视频片段（时长约 10 秒），数据来自 5 个不同的类别，每个视频片段都包含至少 1 个无法仅从单个帧准确识别的动态事件。每个视频都提供细粒度的手动注释，注释涵盖所有事件、动作和运动。

数据来源类别：

• 真人电影

• 动画电影

• 素材视频

• YouTube 长视频

• TikTok 风格短视频