VQA の正式名称は、HowToVQA69M で、合計 69,270,581 の質問と回答が含まれるビデオ質問応答データ セットであり、そのサイズは既存のビデオ質問応答データ セット VideoQA の 2 倍です。

平均して、各生ビデオから 43 個のビデオ クリップが生成され、それぞれの長さは 12.1 秒で、1.2 個の質問と回答が関連付けられ、質問には 8.7 語が含まれ、回答には 2.4 語が含まれます。 HowToVQA69M データセットは非常に多様で、1,600 万を超える一意の回答が含まれており、そのうち 200 万を超える一意の回答が 1 回以上出現し、300,000 を超える一意の回答が 10 回以上出現します。