OmniVideo-100K 是由南京大学联合中国科学院自动化研究所于 2026 年 6 月发布的一个针对多模态大语言模型进行指令微调的音视频推理数据集，相关论文成果为 OmniVideo-100K: A Dataset for Audio-Visual Reasoning through Structured Scripts and Evidence Chains，旨在提升模型在长时程时序与跨模态依赖上的协同能力，广泛应用于训练和评估多模态大模型在视频理解与复杂推理任务中的能力。 该数据集包含源自 5,214 个 YouTube 视频的 100k 个问答对，按任务格式划分为 70k 条开放式问答对与 30k 条多项选择题，涵盖 10 类音视频问答任务，分为对齐、理解与推理三个认知层级。

Citation

@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}
}