CoinVE-200K – 面向组合式指令引导视频编辑的大规模高质量数据集

CoinVE-200K是一个面向组合式指令引导视频编辑的大规模高质量数据集。它是目前专注于多意图组合编辑的视频编辑数据集，旨在解决现有数据集仅支持单一编辑操作、无法处理”一句话包含多个编辑需求”的瓶颈问题。

该数据集包含 20万+ 条视频-指令对，每条样本涉及 2 到 5 个原子编辑操作的组合，覆盖人物、物体、背景等多类目标主体。

CoinVE-200K - 面向组合式指令引导视频编辑的大规模高质量数据集

表格

维度	具体特点
规模	20万+ 视频-指令对，数据量约 2.8TB
分辨率	1080P 高清视频
时长	单条视频最长 201 帧
组合性	每条指令包含 2-5 个原子编辑操作的组合
编辑类型	6 种原子编辑类型：添加、删除、修改、风格化等
目标主体	覆盖人物、物体、背景等多类主体
质量控制	经过精心设计的生成与过滤流水线，确保指令忠实度、视觉质量、时序一致性和组合多样性
区域感知	支持按指令对视频中不同区域进行精准编辑
标注粒度	提供逐指令和组合后的区域标注

与现有指令式视频编辑数据集相比，CoinVE-200K 更强调：

CoinVE-200K 采用了一套多阶段数据生成与质量过滤流水线：

生成阶段：通过精心设计的流程合成视频编辑对
过滤阶段：多维度质量筛选，确保：
- 指令忠实度（Instruction Faithfulness）：编辑结果严格遵循指令描述
- 视觉质量（Visual Quality）：输出画面清晰、自然
- 时序一致性（Temporal Consistency）：视频帧间过渡平滑连贯
- 组合多样性（Compositional Diversity）：覆盖丰富的编辑组合场景

CoinVE-Edit 是一个 220 亿参数的组合式视频编辑模型，其技术架构基于两个核心组件：

表格

组件	模型	作用
视频生成基座	Wan2.1-T2V-14B	提供高质量视频生成能力
视觉语言理解	Qwen3-VL-8B-Instruct	解析复杂的多意图编辑指令

核心技术机制：

区域感知注意力解耦（Region-aware Attention Disentanglement）：将不同编辑指令对应的注意力机制进行解耦，使模型能够：
- 精准定位并编辑多个不同区域
- 保留与编辑无关的内容不变
- 维持整体时序连贯性
多区域并行编辑：在单次前向传播中同时执行 2-5 个编辑操作，避免传统串行编辑带来的误差累积问题。

CoinVE-200K 及其配套工具链提供以下核心功能：

组合式视频编辑训练数据：为模型提供大规模、高质量的多意图编辑训练样本
统一评估基准（CoinVE-Bench）：覆盖多样化的编辑主体、操作类型和指令复杂度，为组合式指令视频编辑提供标准化评测协议
基线模型（CoinVE-Edit）：开箱即用的 22B 组合式视频编辑模型，支持：
- 单指令视频编辑
- 多指令组合视频编辑
- 区域感知精准编辑
- 内容保留与风格迁移

评测指标维度：

在 CoinVE-Bench 上，CoinVE-Edit 在多项指标上超越了 Seedance 2.0、Kling O3、VINO 等现有模型。

CoinVE-200K 及 CoinVE-Edit 可广泛应用于以下场景：

表格

场景	说明
影视后期制作	通过自然语言指令一次性完成”将背景换成夕阳+给主角加帽子+调暖色调”等多步编辑
广告与营销视频	快速批量生成同一视频的多版本变体（替换产品、调整风格、修改背景等）
短视频内容创作	创作者用一句话描述复杂编辑需求，AI 自动执行多区域、多操作的视频修改
虚拟试衣/试妆	同时修改人物服装、发型、背景等多个元素
游戏与动画制作	批量修改场景中的多个对象属性（添加道具、移除障碍物、改变天气等）
AI 视频编辑模型研发	作为训练数据和评测基准，推动组合式视频编辑领域的研究发展
智能视频修复与增强	同时进行去噪、调色、对象移除、内容添加等复合操作