AutoCaptionデータセットは、2025年にTjunlp Labによってリリースされたビデオキャプションのベンチマークデータセットです。関連する論文の結果は次のとおりです。モンテカルロ木探索によるビデオキャプションにおけるマルチモーダル大規模言語モデルの評価」は、ビデオ字幕生成の分野におけるマルチモーダル大規模言語モデルの研究を促進することを目的としています。

データセットの構造:

データセットには 2 つのサブセットが含まれており、合計 11,184 個のサンプルがあります。

• sft_data: 字幕モデルの教師あり微調整（教師あり微調整データのサンプル数は 9,419 個）
• mcts_vcb: MCTSで生成されたキャプションとキーポイントを使用して評価（MCTS-VCBベンチマークを評価するための1,765サンプル）