本研究提出了一种可扩展的开源视频基础模型（VFM）训练流程，旨在解决大规模、高质量视频模型训练中的挑战。该流程加速了视频数据集的策划，支持多模态数据加载，并实现了视频扩散模型的并行训练和推理，显著提升了训练效率和推理性能。

该研究分析了近200种视频基础模型在14个视频任务中的表现，发现图像基础模型在视频理解上表现优异，而多模态模型更具优势。提出了VideoGLUE分数以评估模型有效性，并开发了MVBench基准测试，展示了视频大型语言模型的潜力和应用前景。