VALUE signifie Video-And-Language Understanding Evaluation, qui est un ensemble de données pour l'évaluation de la compréhension vidéo et linguistique. L'ensemble de données est une collection de 11 ensembles de données VidL (vidéo et langue) qui peuvent être utilisés pour 3 tâches courantes : la récupération de texte en vidéo ; questions-réponses vidéo et sous-titrage vidéo. L’objectif de VALUE est de couvrir une large gamme de types de vidéos, de longueurs de vidéos, de quantités de données et de niveaux de difficulté des tâches. VALUE ne se concentre pas uniquement sur les informations visuelles vidéo à canal unique, mais promeut également les modèles qui utilisent les informations des images vidéo et leurs légendes associées et les modèles qui partagent les connaissances entre plusieurs tâches.

Les ensembles de données utilisés pour l'analyse comparative des ensembles de données VALUE sont :TVQA , TVR , TVC , How2R , How2QA , VIOLON , VLEP , YouCook2(YC2C, YC2R), VATEX