该数据集为上海人工智能实验室（上海 AI 实验室）联合南京大学、中国科学院等机构于 2024 年联合发布高质量大规模视频-文本数据集，旨在应对日益扩大的视频-语言建模规模需求，推动大模型视频理解和生成能力进一步提升。

作为当前全球最大的视频-文本公开数据集之一，InternVid 包含超 700 万条配有详细文本描述的视频，涵盖 16 种场景和约 6,000 个动作描述，总时长接近 76 万小时，并具备高视频-文本对应性，数据集中的视频与文本描述高度匹配，为视频-文本语义匹配、视频-文本检索、视频-文本生成等多模态学习任务训练提供 “视频词典” 。

InternVid 受到学术界广泛关注，已应用于多模态世界模型 LWM，并被 Google 、 Stable AI 的视频生成工作使用或参考，相关论文在 2024 年国际表征学习大会 (ICLR 2024) 获 Spotlight 。