Das am 25. August eingereichte Paper beschreibt einen Bestand für gemeinsames Vortraining von Video, Audio und Bild. Aus den heruntergeladenen Videos werden mit szenenbewusster Erkennung Clips gebildet; die zugehörigen Video- und Audiobeschreibungen entstehen synthetisch.
Die Projektseite führt 55 Millionen Clips und 300 Millionen extrahierte Frames. Sie berichtet außerdem, auf LAION-BVD trainierte ViCLIP-Modelle lägen auf Video-Text-Benchmarks bis zu 2,1 Prozent über der InternVid-Basis. Der Abstract selbst nennt vorsichtiger eine konkurrenzfähige Leistung und Verbesserungen mit wachsender Trainings- oder Modellgröße.
Einzelbilder aus Videos haben laut Paper eine andere visuelle Verteilung als übliche Webbildsammlungen. Das kann Bild-Text-Modelle um Material ergänzen, das in klassischen Bildkorpora fehlt. Eine unabhängige Reproduktion der Leistungswerte liegt bislang nicht vor.
Die URLs stammen aus CommonCrawl und sind kein Nachweis kommerzieller Nutzungsrechte an jedem Video. LAION schließt kommerzielle Nutzung aus. Damit ist der Bestand eine offene Forschungsressource, aber kein frei verfügbares Trainingsarchiv für Produkte.