VAP-Data, das 2025 von ByteDance in Zusammenarbeit mit der Chinesischen Universität Hongkong veröffentlicht wurde, ist derzeit der größte semantisch kontrollierte Datensatz zur Videogenerierung. Die zugehörige Forschungsarbeit trägt den Titel „Video als Eingabeaufforderung: Einheitliche semantische Steuerung für die VideogenerierungZiel ist es, hochwertige Trainings- und Bewertungsstandards für die kontrollierte Videogenerierung, die kontrollierte Bewegungssynthese und multimodale Videomodelle bereitzustellen.

Dieser Datensatz umfasst über 90.000 sorgfältig ausgewählte Videopaare, die 100 fein abgestufte semantische Bedingungen in vier semantischen Kategorien abdecken: Konzept, Stil, Handlung und Einstellung. Jede semantische Kategorie enthält mehrere Sätze aufeinander abgestimmter Videoinstanzen. Die Videoinhalte weisen eine große Vielfalt hinsichtlich Beleuchtung, Perspektive, Szene und Dynamik auf und ermöglichen so die Entwicklung semantikübergreifender, präzise gesteuerter Videogenerierungssysteme. Zudem bietet er eine umfassende Evaluierungsumgebung für die Steuerbarkeit und Generalisierungsfähigkeit des Modells.