OmniVideo-100K ist ein Datensatz für Audio- und Videoinferenz zur Feinabstimmung von Anweisungen in multimodalen, großen Sprachmodellen. Er wurde im Juni 2026 von der Universität Nanjing in Zusammenarbeit mit dem Institut für Automatisierung der Chinesischen Akademie der Wissenschaften veröffentlicht. Zugehörige Forschungsarbeiten umfassen… OmniVideo-100K: Ein Datensatz für audiovisuelles Schließen durch strukturierte Skripte und BeweiskettenZiel ist es, die kollaborativen Fähigkeiten von Modellen in langfristigen Zeitreihen und multimodalen Abhängigkeiten zu verbessern. Es wird häufig verwendet, um die Fähigkeiten multimodaler großer Modelle beim Videoverständnis und komplexen Schlussfolgerungsaufgaben zu trainieren und zu bewerten. Dieser Datensatz enthält 100.000 Frage-Antwort-Paare aus 5.214 YouTube-Videos, unterteilt in 70.000 offene Fragen und 30.000 Multiple-Choice-Fragen. Er umfasst zehn verschiedene Arten von Audio- und Video-Fragen und ist in drei kognitive Ebenen unterteilt: Zuordnung, Verständnis und Argumentation.

Zitat

@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}
}