Vidi，字节跳动推出的视频理解和编辑的大型多模态模型，适用于各种视频理解和编辑 （VUE） 场景，第一个版本侧重于时间检索 （TR），即识别输入视频中对应于给定文本查询的时间范围。

Vidi，字节跳动推出的视频理解和编辑的大型多模态模型插图

项目地址：https://bytedance.github.io/vidi-website/

Github地址：https://github.com/bytedance/vidi

论文地址：https://arxiv.org/pdf/2504.15681



微信扫描下方的二维码阅读本文

Vidi，字节跳动推出的视频理解和编辑的大型多模态模型插图1

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。