前段时间，Sora的横空出世，标志着文生视频大模型的突破性进展，进一步带动了多模态技术的热度。

所谓多模态技术，涉及机器学习和人工智能领域，可以处理和分析文本、图像、音频、视频等多种数据类型，并利用不同数据类型间的互补信息，提升模型的理解、分析和预测能力。从初期的单一模态分析，到模态融合，再到当前的广泛应用与优化，已展现出巨大的潜力和广阔的应用前景。

在营销领域，不仅仅是视频生成，利用多模态强大的视频解析能力，解决日益增长的视频类内容洞察，是当下品牌主更值得关注的核心场景。

一、引入多维分析视角

随着社媒热点、圈层、表达方式的快速变化，品牌要想获得消费者的认可，往往需要对消费者进行更细颗粒度的分析，挖掘出潜在需求。在社媒洞察的初始环节，标签标注是否全面准确，会影响到后面一系列营销决策的判断。

秒针系统将标签划分为稳定标签与趋势标签两大类型。

稳定标签：与产品品质、质量、功效定义相关的内容标签，此类标签相对稳定，不易改动

趋势标签：与当期社媒平台内容流行趋势、热点话题、消费者需求相关的内容标签

传统的数据解析，要经历人工读帖、抽取帖子、训练模型，再到对齐为一个固定属性值的过程。这个固定的属性值被称为稳定标签，如产品品质、质量、功效等，优点是标准化、覆盖面广、可复用程度高，但同时也存在个性化方面的局限，部分细节信息难以被保留下来。

多模态大模型拥有海量参数，具有强大的泛化能力。基于多模态大模型识别出来的趋势标签可以反映出当前的流行趋势、热点话题、消费者需求，说法泛化更广，敞口更大，既保留了“原汁原味”的表述，又能够灵活满足不同品牌多维度、个性化的分析需求。在场景方面，对稳定标签作出了有益补充。

二、图像/视频深度解析

针对音频、文字等显性信息较少的视频，多模态技术能够从多个维度科学提炼出画面中的隐含信息。相比人工分析，更加全面、系统，更能确保一致性。在强调品牌调性的创意视频解析中，可以发挥出巨大价值。

以下画面展示了一位女性在雪地里和哈士奇犬互动的场景：

一位女性在雪地里和哈士奇犬互动

（图片由小明助理Copilot生成）

根据常规的解析方式，可以得出基于画面本身的显性信息：

通过明略多模态大语言模型进行解析，在显性信息提取的基础上，继续下钻，还可实现对隐含信息/开放性特征的识别：

我们再以OpenAI Sora大模型官方展示的视频 ”一名女子漫步在东京街头“ 进行解析：

一名女子漫步在东京街头（视频由Sora生成）

常规解析要素：

明略多模态大语言模型挖掘到的隐含要素：

三、挖掘更懂用户的新场景

进入到洞察环节，基于多模态技术全面、深度的解析，在对不同特征进行聚类的过程中，由于前期保留了多样化的细节描述，品牌往往能发现令人惊喜的“Aha时刻”，收获意想不到的新鲜洞察。在品牌卖点同质化严重的情况下，找到打动消费者的新故事。

某品牌在洞察“学生党”群体时，通过大模型聚类，得到“眼袋掉到下巴”、“美国作息”等多种来自用户真实生活的鲜活描述，侧面反映出该群体经常熬夜。品牌便可以进一步感知到，“学生党”在某一特定阶段，存在缓解疲劳、改善睡眠等诉求，从而以更接近消费者需求、心理的场景切入，开展接下来的营销动作，为营销决策提供科学支撑。

通过多维度特征的交叉、融合，多模态大模型能够进一步形成“场景丰富”“具象生动”的用户画像故事，为海量爆款内容生成打好地基，让每一个从消费者那里听到的声音，再次抵达消费者心灵，真正解决用户最迫切的需求。

从执行效率来看，以往采用人工模式一个月才能完成的分析与洞察，在多模态大模型的助力下，一周即可快速完成，准确率更高，且可回溯。

明略多模态大语言模型能力展示

超预期，可落地，更迅速的执行效果，意味着多模态技术将成为品牌快速读懂消费者的关键，由技术驱动的品牌将更快抢占先机。

明略科技旗下秒针系统，依托18年来沉淀下来的大量营销数据与行业经验，与多模态技术实现创新融合，对营销链路中的各个环节进行了全面的优化与重塑。从人群发现、分析、聚类，到内容生成，已形成完整的闭环。目前，在美妆行业已率先落地。在生成式营销的浪潮下，明略科技将助力更多品牌抓住新技术带来的宝贵机会，实现精准营销和业务增长。