Die Kennzahlen des Bestands stehen wörtlich im Abstract: „1.3B platform-specific video URLs collected from CommonCrawl. From these, we download 80M videos with a total duration of 10 million hours.“ Als Zweck nennt das Paper ausdrücklich das Vortraining über mehrere Modalitäten hinweg – Video, Audio und Bild. Die Clips entstehen über „content-aware scene detection“, die Beschreibungen dazu sind synthetisch erzeugt, nicht von Menschen geschrieben.
Bemerkenswert ist der Nebenbefund zu Einzelbildern: Das Team hat szenenwechselnde Frames als alternative Quelle für Bild-Text-Daten extrahiert und hält fest, dass diese „exhibit a visual distribution distinct from standard web image corpora“ – Videobilder sehen also anders aus als das, was übliche Bild-Korpora aus dem Netz einsammeln. Modelle darauf erreichten laut Abstract „strong image-text retrieval performance“.
⚠️ Zur Sorgfalt bei den Zahlen: Der arXiv-Abstract trägt die 1,3 Milliarden URLs, die 80 Millionen Videos und die 10 Millionen Stunden. Die häufig zitierten 55 Millionen Clips, die 300 Millionen Frames und der Vergleichswert gegen InternVid stehen dort auf Nachfrage nicht – sie stammen von der LAION-Projektseite und aus dem GitHub-Repository. Dort heißt es, auf LAION-BVD trainierte ViCLIP-Modelle übertreffen die InternVid-Gegenstücke „um bis zu 2,1 Prozentpunkte“ auf gängigen Video-Text-Benchmarks. Der Abstract selbst formuliert vorsichtiger und spricht nur von „competitive performance“ und „consistent improvements as training or model scale increases“. Eine unabhängige Reproduktion liegt bislang nicht vor.
Die Autorenliste ist auffällig europäisch und zu großen Teilen deutsch: Unter den zwölf Namen finden sich Christoph Schuhmann und Jenia Jitsev (LAION), Matthias Bethge, Wieland Brendel, Andreas Hochlehnert und Thaddäus Wiedemer aus dem Tübinger Umfeld sowie Bernhard Schölkopf. Eingereicht wurde das Paper am 25. August 2026 unter cs.CV, cs.AI und cs.LG; die deutschsprachige Rezeption setzte am 29. August ein.