作者｜毕乐天
来源｜AI先锋官
这事儿闹大了。
前两天，谷歌刚发了Gemini 3 Pro。
全网都在吹。
说它智商多高，逻辑多强。
大家都觉得，硅谷巨头又要教做人了。
结果呢？
屁股还没坐热，字节跳动（ByteDance）悄悄扔了个大炸弹。
这个叫Vidi2的模型，它干了一件事：
在视频理解这个领域，把谷歌按在地上摩擦。
真的，不夸张。
咱们直接看数据。
1. 60分 vs 16分
Vidi2有个核心指标，叫“时空定位”。
听着挺玄乎？
简单说就是：“我在视频里找个人，能不能找准时间，能不能画准框。”
在这个考试里：
字节 Vidi2 考了 60.3 分。
谷歌 Gemini 3 Pro 考了 16.6 分。
你没看错，不是险胜，是碾压。
这就好比：
谷歌是个大学教授。
满腹经纶，上知天文下知地理。
你问他：“这部电影讲了啥？”
他能给你写首诗，分析得头头是道。
但你问他：“那个穿红衣服的人，第几分第几秒出来的？给我截个图。”
教授懵了。
他大概率会瞎指一个：“呃...好像在 10 分钟左右吧？”
结果全是错的，而字节 Vidi2 呢？
它就是个干了 20 年的剪辑老师傅。
它不跟你扯虚的。
你要找人？
它直接甩给你一个精确到毫秒的时间轴。
看案例
原视频
跟踪到的视频
原视频
跟踪到的视频
原视频
跟踪到的视频
2. 长视频？谷歌那是“老年痴呆”
现在的 AI 有个通病。
记性不好。
你给它扔个 1 小时的视频。
看到后面，它就把前面的忘了。
测试数据很打脸：
只要视频超过 1 小时。
谷歌 Gemini 的准确率直接掉到了21%。
基本就是瞎蒙。
而 Vidi2 表现优异。
3. 这个功能，真能“救命”
说了半天技术，对咱们有啥用？
太有用了。
字节已经把它做进产品里了。
叫Smart Split（智能拆条）。
想象一下这个场景：
你是个博主，今天录了 2 小时的素材。
累得半死。
还得剪成 5 个短视频发抖音。
以前你怎么搞？
导入电脑，从头看到尾。
一点点剪，一点点修。
一下午没了。
现在怎么搞？
把 2 小时视频往里一扔。
输入：“帮我找找最搞笑的段子。”
去喝杯咖啡。
回来一看，5 条视频剪好了。
高光时刻给你挑好了。
横屏转竖屏给你切好了。
人脸始终在画面中间（那个 60% 的准确率立功了！）。
连字幕都给你配好了。
这哪里是 AI。
这简直是免费的剪辑实习生啊！
当然也可以体验一下
下面是
https://bytedance.github.io/vidi-website/
点击演示
上传视频来解读和查询
查询的内容
4. 为什么字节这么猛？
你可能会问：
谷歌那么有钱，算力那么强，为啥输了？
这里有个大秘密。
谷歌有 YouTube。
它知道大家喜欢看什么。
这能练出很好的推荐算法。
但字节有抖音和剪映。
它知道大家是怎么剪视频的。
这才是关键！
你在剪映里的每一次操作：
切一刀、删一段、加个特效...
都在告诉 AI：“这里是重点”、“这里是废话”。
全世界几亿人，每天都在免费帮字节“标注数据”。
这才是真正的护城河。
谷歌拿着望远镜都看不见的那种。
5. 结语
这次“偷袭”告诉我们一件事：
别迷信大厂。
别迷信大模型。
在这个时代。
谁能干活，谁才是老大。
以后的视频创作，可能真不需要你会剪辑了。
你只要会说话，会提要求。
剩下的脏活累活？
交给 Vidi2 这种“特种兵”就完事了。
如果你是剪辑师，别慌。
它不是来抢饭碗的。
它是来帮你早点下班的。
扫码邀请进群，我们带你一起来玩转ChatGPT、GPT-4、文心一言、通义千问、讯飞星火等AI大模型，顺便学一些AI搞钱技能。
热门跟贴