北京
分享至
字节跳动新的AI模型Vidi2，这是一个120亿参数的多模态大语言模型，专门用于视频理解。它能处理数小时长的原始素材，理解其中的故事脉络，然后根据简单提示生成完整的TikTok或电影片段。这个突破的关键在于视频理解能力。Vidi2在第二版中新增了精细的时空定位（STG）功能，能够同时识别视频中的时间戳和目标对象的边界框。给定一个文本查询，它不仅能找到对应的时间段，还能在这些时间范围内标记出具体物体的位置。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
