字节跳动近日推出 120 亿参数的多模态大语言模型 Vidi2，专注视频理解与生成，支持数小时长视频处理，能自动梳理叙事逻辑等并实现精准时空定位。它具备高精度时空定位等三大技术优势，能力已集成至 TikTok 产品。依托 TikTok 用户数据闭环，Vidi2 有望加速 AI 重构专业视频创作流程，推动相关方向发展。