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