🇨🇳 中国字节跳动推出了一款 AI 视频编辑器，在视频理解能力上优于 Gemini 3 Pro。Vidi2 是一种视频模型，能通过文本在长视频中准确定位动作与物体。它在全新的检索与定位基准上明显领先主流商业模型，在视频问答任务中同样表现优异。大多数现有工具无法真正“读完”整段视频，因此搞不清事件何时开始、结束，以及参与者是谁。Vidi2 加入了时空定位功能：面对文本查询，它既预测准确的时间段，又在连续帧中为目标物体生成一条边界框轨迹。其核心采用多模态编码器加语言模型主干，联合处理文本、视觉帧与音频，并在合成片段与大量真实视频的混合数据上训练。为应对极短与极长片段，它自适应压缩视觉 token，使内存受控且不丢失关键上下文。团队还构建了两个长视频基准，分别用于时空框和时序检索，通过预测与真实时间、框的重合度给模型打分。
猜你喜欢
【1点赞】
【88评论】【97点赞】
【5评论】【33点赞】
【49评论】【100点赞】
【5点赞】
作者最新文章
热门分类
财经TOP
财经最新文章