Video Arama API Benchmark: Bright Data vs YouTube
Bright Data Video Search'i YouTube arama ile 50 İngilizce sorguda beş sorgu türünde karşılaştırdık. Her iki motor da sonuçlar tükenene kadar sorgulandı ve üç modelden oluşan bir panel örneklenen video karelerini değerlendirdi.
Arama başına kullanılabilir klip sayısı, döndürülen videoların kaç tanesinin sorgulanan konuyu veya eylemi içerdiğini tahmin eder. Döndürülen benzersiz video sayısını ilgililik yoğunluğu ile birleştirir. Her video, arama başına bir kez sayılır.
İlgililik yoğunluğu, ilgililik eşiğini karşılayan döndürülen videoların tahmini payıdır. Bir video, örneklenen bir kare 0 ila 3 ölçeğinde panel medyan puanı olarak en az 2 aldığında nitelik kazanır.
Klip sayıları ve ilgililik yüzdeleri orta nokta tahminleridir. Yoğunluk oranı aralıkları, getirme ve örnekleme bölümünde açıklandığı gibi örnekleme belirsizliğini ve değerlendirilmeyen üst sıradaki sonuçları dikkate alır.
Video arama benchmark bulguları
Bright Data her sorgu türünde daha fazla kullanılabilir klip döndürdü
Bright Data'nın arama başına tahmini kullanılabilir klip sayısı, aksiyon sahneleri için YouTube'un sayısının 3.7 katından soyut sorgular için 14.5 katına kadar değişti. Tüm 50 sorguda tahminler 817 ve 108 oldu.
Bright Data arama başına ortalama 2.122 benzersiz video döndürdü; YouTube için bu sayı 288 oldu, yani yaklaşık 7.4 kat fazla.
Genel ilgililik oranları benzerdi
Tahmini ilgililik yoğunluğu %38,5 Bright Data için, YouTube için ise %37,7 oldu. 0.85 ila 1.23 yoğunluk oranı aralığı genel bir ilgililik avantajı ortaya koymuyor.
Bright Data iki sorgu türünde daha yüksek ilgililik yoğunluğuna sahipti
Bright Data soyut ve birinci şahıs sorgularında daha yüksek ilgililik yoğunluğuna sahipti. YouTube robotik, belirli anlar ve aksiyon sahnelerinde daha yüksek yoğunluğa sahipti. Bu karşılaştırmalar bildirilen aralıklar boyunca geçerliydi.
Bright Data'nın en büyük yoğunluk farkı soyut sorgulardaydı: YouTube'un %36,2 değerine karşılık %67,5. 14.5x olan kullanılabilir klip oranı, getirme öncesinde tahmin edilen 2x ila 6x aralığını aştı. Dört soyut sorgu bu çalışmada yeniydi. Bunların orta nokta yoğunluk oranı 2.1x iken, altı yeniden kullanılan sorgu için 1.7x oldu.
Video arama benchmark metodolojisi
Sorgu seçimi
Kısa bir doğal dil açıklaması kullanarak görüntü arama senaryosu modelledik. Her kategori, farklı konuları ve görsel ortamları kapsayan, video karelerinden değerlendirilebilecek ilgililik kriterlerine sahip on sorgu içeriyordu.
Sorguların medyan uzunluğu sekiz kelimeydi ve her birinin yaklaşık 100 kelimelik bir ilgililik tanımı vardı. Her iki motoru sorgulamadan önce hem sorguları hem de ilgililik tanımlarını sabitledik.
Dört kategori görünür eylemleri veya ajan davranışını tanımlar. Soyut sorgular, başlıklarda veya etiketlerde belirtilmeyebilecek durumları veya anlamları test eder.
Kısa açıklamalar araştırmada video verisi bulmak için de kullanılır. InternVid, eylem sorguları aracılığıyla videolar topladı.1 RefAV, sürüş senaryolarını bulmak için doğal dil açıklamaları kullanır.2 Movie Gen, insanlar içeren görüntüleri seçmek için metinden videoya getirme yöntemini kullandı.3 Bu çalışmalar mevcut video koleksiyonlarından getirme ile ilgilidir. Ticari bir API aracılığıyla görüntü satın almak onların kapsamı dışındaydı.
Yinelenen senaryoları ve “birinci şahıs nişancı” gibi gezinme ifadelerini hariç tuttuk. Ayrıca, etiketleri video başlıklarında aynen geçebilecek YouTube kaynaklı eylem sınıflandırmalarından doğrudan alınan sorgulardan kaçındık. Bu seçimler, kümenin genel YouTube aramalarını ne kadar iyi temsil ettiğini sınırlar.
Getirme ve örnekleme
Hiçbir motor yükleme tarihi filtresi kullanmadı. Her arama için sonuç sayılarından yinelenen video kimlikleri kaldırıldı.
Her motor ve sorgu için sıra bantları içinde eşit olarak, kayıtlı bir rastgele tohumla 125 sonuç örnekledik. Her bandın ölçülen ilgililik oranı, tam dönüşü tahmin etmek için sonuç popülasyonu üzerinden genişletildi.
İlk 50 Bright Data sonucu ve ilk 20 YouTube sonucu değerlendirilmedi. Her tahminin, bu videolardan herhangi bir sayıda ilgili olmasına izin veren, hiçbirinden tümüne kadar değişen sınırları vardır. Tablolar, Bright Data için arama başına ±25 kullanılabilir klip ve YouTube için ±10 sınırlarıyla orta noktaları gösterir.
Yoğunluk oranı aralıkları, bu sınırları değerlendirilen örneklem için %95 örnekleme aralıklarıyla birleştirir.
İlgililik değerlendirmesi
Puanlama 12.455 sonucu kapsadı ve video başına on eşit aralıklı kare örneklendi. Üç modelden oluşan bir görüntü paneli kareleri 0'dan 3'e kadar puanladı. Kare başına medyan puanı aldık, ardından videonun puanı olarak en yüksek kare puanını kullandık.
Üç kare kullanmaya kıyasla on kare kullanmak ölçülen video ilgililiğini artırdı. Bu çalışmada faktörler Bright Data için 1.517, YouTube için 1.359 oldu. Bildirilen tüm sonuçlar on kare prosedürünü kullanır.
Katılımcılar
Bu benchmark, bir sağlayıcının halka açık videolardan oluşan mevcut dizini üzerinde anlamsal aramaya odaklanır ve geleneksel video aramasını temel çizgi olarak alır. Kullanıcıların kendi video koleksiyonlarını sağlamasını gerektiren araçlar ve lisanslı stok görüntülerle sınırlı hizmetler bu kapsamın dışındadır.
Sınırlamalar
Bu benchmark, her kategoride eşit sayıda olmak üzere iki motoru ve seçilmiş 50 İngilizce sorguyu kapsar. Genel sonucu bu bileşime bağlıdır. Diğer dillerdeki veya daha geniş arama sorgusu dağılımındaki performansı ortaya koymaz.
Sonuç
Bright Data arama başına tahmini 7.5 kat daha fazla kullanılabilir video üretti ve genel ilgililik yoğunluğu benzerdi. Bu büyük ölçüde getirme hacmini yansıtıyordu. Bu panelle Bright Data soyut ve birinci şahıs sorgularında daha yüksek ilgililik yoğunluğuna sahipken, YouTube robotik, belirli anlar ve aksiyon sahnelerinde daha yüksek yoğunluğa sahipti.
Daha fazla okuma
- En İyi 7 Video Kazıyıcı: Test Edildi & Sıralandı
- En İyi YouTube Dataset'leri: Bright Data & Oxylabs
- En İyi Video Proxy'ler: 2026 Benchmark Sonuçları
- World Foundation Models: 10 Kullanım Alanı
- Agentic Search 2026'da: Ajanlar İçin 8 Search API'sini Benchmark
- En İyi 15 Eğitim Verisi Platformu
- RELC-Bench: Uzun Bağlamda Getirme Benchmark
Tercih edilen kaynak olarak ekleBu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{sari2026,
author = {Sarı, Ekrem},
title = {{Video Arama API Benchmark: Bright Data vs YouTube}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/video-search-api}},
note = {AIMultiple. Erişim tarihi: 18 Eylül 2026}
}19 veri noktasının sonuçları ve zaman damgaları. Bu makaledeki grafik ve tablolarda gösterilen özet verileri, 3 CSV dosyası ve bir README içeren ZIP dosyası olarak indirin.
Arkasındaki ayrıntılı veriyi ister misiniz? Premium'a katılın
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.