HowToVQA69M 大规模视频问答数据集 | 6927万问答对 | VQA视觉问答研究

数据集概述

HowToVQA69M 是目前规模最大的视频问答（Video Question Answering, VQA）数据集之一，共包含 69,270,581 个问答对，数据规模达到现有主流视频问答数据集 VideoQA 的两倍。该数据集基于真实教学类视频构建，专为视频理解、多模态推理与视觉问答模型训练设计，是计算机视觉与自然语言处理交叉领域的重要基准资源。

数据规模与统计特征

总问答对数量：69,270,581 条

视频片段规模：平均每个原始视频生成 43 个片段

片段时长：12.1 秒/片段

问答关联密度：每片段平均关联 1.2 个问答

问题长度：平均 8.7 个单词

答案长度：平均 2.4 个单词

答案多样性：超过 1600 万个唯一答案，其中 200 万以上出现频次大于 1，30 万以上出现频次大于 10

适用研究场景

HowToVQA69M 数据集广泛应用于以下技术方向：

视频问答模型训练 — 端到端视频 VQA 模型、时序推理问答系统的大规模预训练数据

多模态理解研究 — 视觉-语言联合建模、视频内容与文本问题的跨模态对齐

视频内容理解 — 教学视频解析、步骤识别、动作理解与语义抽取

视觉问答基准测试 — 模型泛化能力评估、长视频时序推理性能评测

预训练模型开发 — 视频-文本预训练（Video-Language Pre-training）的基础语料库