2026年8月，当OpenAI正式关停Sora的web和app体验、Google把Veo锁在Cloud API后面、Meta虽然开源了Movie Gen但训练数据依然秘而不宣时，一个德国非营利组织不声不响地甩出了一张牌：1000万小时，8000万个视频，全部MIT许可。
这个组织叫LAION。五年前，它用LAION-5B的50亿图文对喂出了Stable Diffusion，掀起了一整波AI图像生成的产业浪潮。如今，它正在视频多模态的赛道上，试图复制同一个剧本。
问题是，这一次故事会一样吗？
13亿URL到1000万小时：一颗超大规模数据管道的运转实录
LAION-BVD的全称是LAION Big Video Dataset。从CommonCrawl撒网、批量下载、场景检测、到合成标注，这条管线本身就是一篇工程论文。
先看核心数字：从CommonCrawl中提取了13亿条平台特异的视频URL，实际成功下载了8000万条视频，视频总时长达到1000万小时。经内容感知的场景检测后，提取出5500万个视频片段并生成了视频和音频描述。此外还额外提取了3亿帧场景变化画面，可用于图像-文本预训练。
数据集以多个版本在HuggingFace上发布。从最轻量的仅URL列表（BVD-URLs），到完整的原始视频合集（BVD-RAW），再到音频专用子集（BVD-A-10M含1000万音频片段）和图像帧子集（BVD-I-300M含3亿帧），覆盖了视频、音频、图像三个模态的独立需求。研究者可以根据算力预算选取合适规模，不用每次都下载1000万小时的原始视频。
1000万小时是什么概念？一个人连续不间断地看，需要1140年。以每秒24帧计算，相当于8640亿帧画面。而此前最大的公开视频数据集InternVid（上海AI实验室出品）总时长约为76万小时，LAION-BVD是它的13倍。另一个常用基线WebVid-2M仅含250万条短视频。
更关键的是，这些视频原生携带音频。LAION用Whisper提取音频转录、用视觉语言模型生成视频描述、用场景检测做智能切分。一个数据集，覆盖了视频-文本、音频-文本、图像-文本三条预训练路线。
性能验证：ViCLIP高出2.1%，CLAP和CLIP紧随其后
LAION公布了在三类模型上的验证结果。
在视频-语言（ViCLIP）方向，用LAION-BVD训练的ViCLIP模型，在标准视频文本基准测试中匹配或超越了InternVid训练的模型，最高领先2.1个百分点。而且训练规模从1000万片段提升到5000万片段时，性能持续提升，说明数据集具备良好的扩展性。
在音频-语言（CLAP）方向，LAION-BVD训练的CLAP模型利用视频中提取的真实世界声景，达到了与其他大规模非精选音频数据集有竞争力的表现。
在图像-文本（CLIP）方向，基于视频帧训练的CLIP模型在标准图像文本检索任务上表现强劲。更值得关注的发现是：视频帧展现出的视觉分布与典型网络图像不同。这意味着它提供了一种互补的训练信号，而不是简单的替代品。
这些数字的意义不在绝对值，而在一个信号：用开源数据和开源工具链，可以训练出和闭源或半开源数据竞争的视频多模态模型。
视频成为AI的下一个主场，数据就是弹药
LAION的故事自带戏剧性。创始人Christoph Schuhmann是一位德国高中老师，2021年在Discord上遇到两个志愿者，三人从零搭建了LAION-400M（4亿图文对）。随后扩展到LAION-5B的50亿图文对，直接催生了Stable Diffusion，间接推动了整个AI图像生成产业的爆发。
LAION的角色定位很清楚：它不训练模型，不做产品，它是做弹药库的。谁拿到这些弹药，谁就能造出自己的武器。
现在，这个剧本在视频领域重演。
但视频数据集的构建难度比图像高一个数量级。
首先是存储和传输成本。1000万小时视频需要的带宽和存储是天价。LAION用分布式P2P网络和志愿者节点分摊成本，这和它们做LAION-5B时的策略一脉相承。
其次是标注难度。图像的语义基本在一帧之内，而视频的语义是时间序列的函数。LAION用video2dataset工具链实现了自动化管线：yt-dlp批量下载、帧率和分辨率降采样、场景检测切分、Whisper提取音频转录、VLM生成视频描述。整个流程端到端可复现，代码全部公开在GitHub上。
第三是版权困境。LAION-5B曾在斯坦福研究人员发现其中包含CSAM内容后陷入大规模伦理争议，最终一度撤回。视频数据比图像更敏感，人脸、声音、私密场景全部包含在内。LAION-BVD在发布声明中明确标注仅限研究用途、不得用于商业，并承认数据集可能存在偏见和不均衡。这是在法律灰色地带中的一种务实防守。
即便如此，LAION做了一件闭源巨头不会做的事：透明公开。GitHub上可以查到每一步代码，从下载、过滤、标注到训练。你可以质疑它的数据质量，但你无法质疑它的开放性。
谁会受益，谁会被冲击
LAION-BVD的出现，正在改变视频多模态领域的竞争版图。
最大的受益者是学术研究者。此前只能在WebVid-2M的250万视频上做实验的课题组，现在可以直接扩展到千万级。视频多模态研究的门槛被大幅拉低。
开源视频模型项目也是直接受益者。ColossalAI的Open-Sora、HuggingFace社区的各类视频模型、LTX-Video等项目，不再需要自建昂贵的数据管道。它们可以把省下的预算投入到模型架构和训练策略的改进上。
潜在的输家是那些靠售卖视频标注数据为生的商业公司。如果LAION持续提供免费的大规模视频数据，商业视频数据集的市场空间会被大幅压缩。视频标注这门生意本来规模就不大，LAION-BVD的出现可能让它彻底边缘化。
另一个潜在冲击对象是闭源巨头的数据叙事。当开源社区能够用体量和Sora训练数据相当的规模进行训练时（Sora的训练规模从未公开，但1000万小时至少在同一量级），闭源模型因为数据规模所以更好的叙事护城河会变浅。Movie Gen虽开源了模型权重，但训练数据并未公开；Veo和Sora则完全不透明。LAION-BVD直接绕开了这个黑箱。
但风险不能被低估。LAION-5B的前车之鉴（CSAM争议、被多个地区投诉）说明大规模网络爬取数据集的法律地基并不稳固。视频数据集的版权争议只会更大。YouTube、TikTok、Instagram等平台的用户生成内容，在被爬取后用于AI训练时的法律边界，目前在全球范围内都处于模糊地带。仅限研究用途的声明在法庭上能提供多少实质保护？这个问题没有答案。
结语：钥匙交给所有人
2026年的多模态AI格局正在形成一条清晰的分界线。一侧是OpenAI、Google、Meta等巨头，它们拥有最多的算力和最优质的数据，但核心模型和数据都不透明。另一侧是LAION和开源社区，用透明的方式建设基础设施。虽然粗糙，但开放。
LAION-BVD意味着，在视频多模态这条赛道上，开源社区终于有了和巨头对等的弹药储备。技术的差距可以用数据来弥补，而数据的差距，正在被一个德国非营利组织抹平。
数据质量和版权合规这两座大山仍未翻越。但历史已经证明：当LAION把4000万图文对放到网上时，没人想到它会催生Stable Diffusion；当它把50亿图文对放到网上时，没人想到它会改变整个AI图像生成产业。
把钥匙交给所有人，总有人能用它打开一扇新的门。
快报