使用了5个subset,也是用了text-image和text-video进行训练的
也是进行了复杂的视频选择。同movie gen.
也进行了模型切断，用拉普拉斯算子找到最清晰的一帧作为训练的起始
训练了不同的模型去选择数据，比如用Dover去选择美观度比较好的数据，用其他模型去选择清晰度高的模型等。判断motion大小（比如静止的）把不合适的视频去掉。用OCR模型把带有很多字的视频拿掉。用YOLOX把一些敏感信息拿掉。虽然拿掉了很多数据，但是数据多样性高也好，所以用个小模型去测试那个去掉视频的操作好。图4
最后的finetune数据又是人工标注，大概一百万。用的JSON保存信息
加强版的dense description
background\style等关键词，还用了dropout设置多样性更多的captions使得描述格式不会太固定。
数据对于machine learning很重要