- watermelon22026-08-12
我们现在最多是提示词生成ai视频，但是有没有一种完整的、有内容有主旨的视频传给大模型，然后他们能识别出文字概括发生了什么呢？
这个方向有企业研究吗？是不是一片空白啊？如果真的实现了这种功能，能为我们带来什么？我实在想象不出对人类有什么帮助。
要是真能实现的话，佬们能不能猜一下大概会用什么技术路线实现的？
主楼 - 金陵雪2026-08-12
已经有了啊，马斯克之前还发过grok理解视频能力的推文
- Jimmyhuang2026-08-12
已經可以讀取視頻的AI了吧，感覺這也不是瓶頸，現在多模態AI很常見了
- watermelon22026-08-12
- hui4552026-08-12
视频本质上是多帧的图片组成，在技术层面就是识别多张连续图片，不是什么难事
- hwang2026-08-12
支持多模态的模型都有啊，怎么会是一片空白？
- bailing2582026-08-12
gemini和豆包现在都支持视频理解啊，本身就相当于是每秒抽帧ocr画面和字幕，再加上音轨asr，不是什么特别困难的技术
- watermelon22026-08-12
如果是十秒左右的视频，他们的识别是不是相当于每帧图像识别的文字拼接 ^-^
- woa2026-08-12
感觉这个技术上可行， 可能还是算力问题吧
- 白芸汐2026-08-12
还有音频的，视频本来就是视觉和听觉的组合，两个都抽出来也是能理解在干什么的
- sxjeru2026-08-12
每帧其实不太可能，成本太高，像 Gemini 默认是每秒提取一帧画面。
- 白芸汐2026-08-12
- Shigure_init2026-08-12
你用gemini试试，理解视频能力很强，唯一缺点就是长视频注意力问题
- He1102026-08-12
Gemini 、 Gemma 都可以吧
Sirhexs2026-08-12- gentingincubus2026-08-12
没有难度 毕竟视频也是一帧一帧的 关键还是算力 上下文 和费用吧。为什么都在搞直接生成视频而不是去剪辑一段已有的素材，光是读取都耗费很多算力，更别说去修改 改完不满意又要重复改，影视里面改几十次是很平常的事，那成本都爆炸了。
- zoffy2026-08-12
这玩意老早就有了吧。sd 生成视频那么夯，你猜如果反向理解会不会也很夯
- bigbigken2026-08-12
这不就是多模态吗？gemini还有qwen都有这种模型啊
- edmond_XU2026-08-12
已经有了，京东的开源大模型，JOYai
- Lemonade2026-08-12
