字节跳动 11 月发布的 Vidi2，彻底解决了长视频从“模糊理解”到“精准定位”的难题，让 AI 剪辑真正进入工业化可用阶段。
🔹 视频版 Ctrl+F
核心突破是 STG（时空定位）。传统模型像 RAG 一样只能模糊检索“大概讲了什么”，Vidi2 能实现端到端输出：不仅知道“有猫”，还能精确给出“第 14 分 20 秒、屏幕左下方”的 Bounding Box 坐标。
🔹 实战优于对话
在 VUE-STG 基准测试中，其定位精度（vIoU）比 GPT-5 和 Gemini 3 Pro 高出一倍。这说明它不适合“陪聊”，但极适合“干活”——比如自动识别主角，将 1 小时横屏素材无损裁切为适应手机端的竖屏短片（Smart Reframing）。
🔹 从理解到创作
基于 Gemma-3 架构，支持超长上下文（>1小时）。丢给它一堆杂乱的 Raw Footage，它能结合音频（如警笛声）与视觉信号，自动梳理故事线并生成剪辑脚本，而非简单的切片。
🔗 项目主页： https://bytedance.github.io/vidi-website
#AI工作流 #视频自动化 #Vidi2 #多模态 #生产力工具