instruction-based

本文介绍了Goku，一个百万规模的指令驱动视频编辑数据集与基准，支持多任务和结构性操作。配套的模型Goku-Edit在指令遵循方面比开源模型提升了高达8%。

MMAE是一个全面的基于指令的音频编辑基准，涵盖多种模态和复杂度级别，揭示了当前模型能力中的显著差距。