跳到主要内容Skip to main content

Models · Data · 多模态

Video-MME

覆盖不同时长与领域的视频问答,适合测长视频理解与时间定位。

来源Video-MME 团队
规模900 段视频 / 2,700 题
语言英文为主
格式视频 + JSON
许可CC-BY-4.0(以数据卡为准)
商用需按数据卡核对
获取Hugging Face / 官方页
任务适配视频理解评测 / 多模态问答
核验日2026-11-19

质量与偏差

覆盖不同时长与领域的视频问答,适合测长视频理解与时间定位。

使用边界

视频来源与版权需逐条核对;题集公开后污染风险上升。

第一次使用

先跑短视频子集,确认抽帧与时间戳口径,再跑全长视频。

常见坑

抽帧数不同导致分数不可比;把字幕当视觉理解。

成本

高;视频解码与长上下文需要大显存。

不适合

不适合直接代表中文视频或专业影视理解。

对比与替代

与 MVBench / LongVideoBench 相比,Video-MME 更强调多时长与多领域覆盖。

怎么验证

核对视频清单、题目与许可;抽 10 段看时间戳。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/lmms-lab/Video-MME · 核验日 2026-11-19 · 许可以来源页为准