OmniVideo-100Kは、マルチモーダル大規模言語モデルにおける指示の微調整を目的とした音声・動画推論データセットであり、2026年6月に南京大学が中国科学院自動化研究所と共同で公開しました。関連する研究論文には、以下のようなものがあります。 OmniVideo-100K：構造化されたスクリプトと証拠連鎖による視聴覚推論のためのデータセットこれは、長期時系列データやクロスモーダルな依存関係におけるモデルの協調能力を強化することを目的としており、動画理解や複雑な推論タスクにおけるマルチモーダル大規模モデルの能力を訓練および評価するために広く用いられている。 このデータセットには、5,214本のYouTube動画から抽出された10万組の質問と回答のペアが含まれており、タスク形式に基づいて7万組の自由回答形式の質問と回答のペア、および3万組の多肢選択式の質問と回答のペアに分類されています。10種類の音声および動画に関する質問応答タスクを網羅しており、アライメント、理解、推論という3つの認知レベルに分けられています。

引用

@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}
}