超大规模AI开发企业“Twelve Labs”12日发布了升级版影像语言生成模型“Pegasus-1.2”。该模型性能比原有版本进一步提升,预计在各类产业现场的应用性将更强。
Pegasus是参数规模达800亿的超大规模影像语言生成模型,首个模型于2023年11月开发完成。该模型的特点是支持将长视频概括为文本,或就视频进行自由问答。
此次发布的Pegasus-1.2相比原有版本性能大幅提升。同时分析视频画面与音频并转换为文本的能力进一步增强,并能以最高水准的准确度处理不同长度的视频。
此外,通过高效存储与再利用视频的技术,已处理过一次的视频在下次分析时可以更快、更经济地完成处理。这种准确把握视频脉络与细节内容,并生成摘要、精彩片段、详细报告等多种形式文本的能力,预计在实际产业现场具有很高的应用价值。Twelve Labs首席技术官(CTO)李承俊解释称:“Pegasus-1.2的特点是引入了创新性的时空信息理解方式,能够准确理解视频。”






