VQA 全称 Visual question answering，HowToVQA69M 是一个视频问答数据集，共包含 69,270,581 个问答，其规模比现有视频问答数据集 VideoQA 大两倍。

平均每个原始视频会产生 43 个视频片段，每个片段 12.1 秒并与 1.2 个问答相关联，问题包含 8.7 个单词，答案包含 2.4 个单词。 HowToVQA69M 数据集高度多样化，包含超过 1600 万个唯一答案，其中超过 200 万个唯一答案出现一次以上，超过 30 万个唯一答案出现 10 次以上。