VCR signifie Visual Commonsense Reasoning, qui est un ensemble de données à grande échelle pour le raisonnement visuel de bon sens. L'ensemble de données pose des questions difficiles sur les images, et la machine doit effectuer deux sous-tâches : répondre correctement à la question et fournir des raisons pour justifier sa réponse.

L'ensemble de données VCR contient un grand nombre de questions, dont 212 000 sont utilisées pour la formation, 26 000 pour la validation et 25 000 pour les tests. Les réponses et les raisons proviennent de plus de 110 000 scènes de films uniques.