ByteDance Research 发布了视频理解大模型 Tarsier2，具备强大的视频分析能力，能够细致捕捉人物动作和情节发展。经过大规模预训练和后训练，Tarsier2 在视频描述任务上超越了多款模型，展现出广泛的应用潜力，尤其在机器人和智能驾驶领域。