字节跳动近日正式发布了其新一代多模态大模型Vidi2。该模型拥有120亿参数，专为视频理解与编辑而设计，旨在通过人工智能技术简化视频内容创作流程。
Vidi2的核心能力在于处理长达数小时的原始视频素材，并能根据用户的简单文字指令，自动识别、剪辑并生成短视频或完整的叙事内容。这一技术突破主要依托于其先进的“细粒度时空定位”能力。与传统视频AI仅能提供大致时间范围不同，Vidi2可以精确识别视频中特定对象或人物，并输出一个包含时间戳和连续空间边界框（bounding box tube）的“时空管道”，从而实现像素级的精准追踪与编辑。
为应对长视频带来的海量数据处理挑战，Vidi2采用了自适应视觉令牌压缩技术，有效降低了计算资源消耗，同时确保了关键内容上下文的完整性。在技术架构上，模型融合了文本、视觉帧和音频等多种信息，以实现全面的多模态理解。
根据字节跳动公布的基准测试结果，Vidi2在专门评估视频理解能力的VUE-STG（时空管）和VUE-TR-V2（时序检索）两大基准上，性能显著优于包括谷歌Gemini 3 Pro（预览版）和GPT-5在内的主流商用模型。
目前，Vidi2作为研究项目，其技术论文已在arXiv平台发布，相关代码也已在GitHub开源。官方表示，一个可供体验的演示版本（Demo）即将上线。此举被视为字节跳动在AI多模态领域，继MagicVideo系列之后的又一重要布局，有望为全球内容创作者提供更强大的智能化工具。
https://www.alphaxiv.org/abs/2511.19529