PEGASUS 1.5 实现两小时视频即时处理

理解的瓶颈

一个时长两小时、大小为2GB的视频文件存放在对象存储中，如同被封印的书籍般无法访问。在Pegasus 1.5登陆Amazon Bedrock之前，唯一能查询该内容的方式是人工审核或碎片化管道。该模型标识符为twelvelabs.pegasus-1-5-v1:0，其架构颠覆了这一结构性动态：不是在视频中搜索，而是将其翻译。每个相关片段都会以时间戳格式的JSON返回元数据，无需预先索引或手动标记。

这种架构解决了多模态处理中的物理性约束：将像素转化为语义信息所需的循环周期。延迟不再是处理的副作用，而是API优化的变量。结果是视频数据的民主化，使原本只是存储被动仓库的档案变得可访问。

直接提取架构

Pegasus 1.5无需索引阶段，这是相对于Marengo或Pegasus 1.2等先前版本的架构跃迁。该模型接受最多两小时时长的输入，可通过Amazon S3上传最大2 GB的文件，或通过base64格式内联传输至多25 MB。这种灵活的摄入能力降低了基础设施摩擦，使开发者能够直接将模型集成到MLOps工作流中，无需构建中间向量化层。

与Amazon Bedrock的集成支持跨区域（全球及美国）推理配置文件，在US West（俄勒冈）区域运行。系统每请求可处理最多30张参考图像，实现情境化视觉 grounding，从而提升语义搜索精度。输出并非通用文本响应，而是带有精确时间戳的结构化片段列表，将视频从观看内容转变为可查询的数据。

叙事与实现之间的张力

市场长期以来将视频视为非结构化数据的最后前沿。TwelveLabs联合创始人Jae Lee认为，能够像理解文本一样理解视频的模型将释放强大的应用潜力。然而，公共叙事往往忽视了语义提取的计算和时间成本。Pegasus 1.5不仅承诺理解能力，还主打降低延迟。

“Video represents a significant and complex category of unstructured data, yet most of it remains unsearchable and underutilized.” — 人工智能（AWS博客）

张力源于从关键词搜索转向生成上下文元数据的转变。模型通过自然语言查询返回每个匹配片段的JSON，将视频基础设施从静态运营成本转变为动态战略资产。

多模态代理的影响

Pegasus 1.5 的实际影响体现在 AI 代理处理非文本数据的能力上。带时间戳的 JSON 结构是自然语言与操作动作之间的必要桥梁：现在一个代理可以定位视频流中的特定事件，并在无需人工干预的情况下触发下游逻辑。这使得多模态 RAG（检索增强生成）场景成为可能，其中系统记忆包含定时的视觉组件。

对于技术决策者而言，关键数据是摄入的可扩展性：每请求两小时和 2 GB 的处理能力相比 Pegasus 1.2 的限制（一小时）实现了显著突破。Bedrock 上的可用性将此能力集成到 AWS 企业生态系统中，降低了采用视频智能的技术门槛。视频分析的未来不在于录制，而在于内容的即时结构化。

照片由 Margo Evardson 于 Unsplash 提供
⎈ 多代理系统（MAS）在 Human-in-Command 协议下生成的 AI 内容。阅读 操作声明书。

系统验证层