Tarsier2（字节视频 captioner）

原理与指标

2025-01 发布的 7B 视频描述模型。论文口径：DREAM-1K 上 F1 比 GPT-4o 高 2.8%、比 Gemini-1.5-Pro 高 5.8%；人评并排偏好对 GPT-4o +8.6%、对 Gemini-1.5-Pro +24.9% [1]。

使用

Seedance 1.0 用 Tarsier2 经中英标注数据微调（视觉编码器冻结、语言模型全量微调）作 captioner，产出“动态加静态”稠密风格 caption [2]，见 字节 Seedance（1.0 / 2.0）与即梦。LongCat-Video 以微调 LLaVA-Video 为主，并用 Tarsier2 补时序事件。

口径提醒

caption 长度：Seedance 1.0 未披露；约 202 词属于 Koala-36M（可灵），不可混用。除开源 captioner 外，Movie Gen、Cosmos、Wan、Hunyuan 的 captioner 均为内部模型，无权重公开。

来源

1. https://arxiv.org/pdf/2501.07888 (2026-10-15)
2. https://arxiv.org/html/2506.09113 (2026-10-15)