VidUEU-Agent、動画から指示データを構築するマルチモーダル向けデータキュレーションエージェント

VidUEU-Agentは、生の動画からマルチモーダル理解、画像編集、統合タスク向けの指示データを自動構築するエージェント型データキュレーションフレームワークである。同一の初期チェックポイントからBAGELを30Kサンプルずつ微調整する4回の反復を行うと、3つのフィードバック用ベンチマーク全体で性能が向上する。8,268本の動画から10万件の指示サンプルを含むVidUEU-100Kデータセットも構築された。