大模型重构传媒内容生产与检索链路

数据来源： 腾讯云智慧传媒行业中心 MEDIA TECHDAY 分享材料（曾亮 | 技术总监）

1. 识别传媒行业的内容供给与检索瓶颈

当前传媒行业在内容生产与存量管理上面临双重压力，导致供给侧效率与质量难以平衡：

• 视频生成风险与适配难题： 基于海量视频生成报道视频时，传统方式存在准确度低、内容风险高的问题。同时，由于分发渠道（视频号、小红书、抖音等）与受众阶层不同，要求内容具备个性化生成（千条千面）的能力，传统“一刀切”的生成模式无法满足合规与传播需求。
• 传统检索系统的召回限制：
  • 描述固化： 依赖文件名、标签和提取文字的检索方式，在完成标注后即固化，无法兼容差异化的表达方式。
  • 漏标与召回不全： 已标注内容无法穷举素材全部要素，导致珍贵素材被埋没。
  • 排序效率低： 仅能通过标签或文本匹配次数推测相似度，无法明确素材与查询语句的深层关联，增加了人工筛选时间。

2. 部署大模型驱动的视频生产与跨模态检索

针对上述痛点，腾讯云智慧传媒提出基于大模型的行业解决方案，涵盖内容生成与知识管理两个维度：

• 视频内容生成（AIGC）：
  • 无中生有： 基于细节、效果与指令遵循，生成全新视频素材。
  • 有中生有： 基于内容理解结合重组Prompt指令，在保留原片合法、合规、价值观一致的基础上，生成适配不同渠道的衍生内容。
• 跨模态内容检索：
  • 将传统的标签检索升级为自然语言理解的跨模态检索。
  • 支持多要素组合描述（如“教室里穿着粉色外套的男老师的背影”），覆盖人物形象（发型、服装）、动作（体育、日常）、物体风景等复杂场景。
• 知识引擎与RAG框架：
  • 基于LLM+RAG（检索增强生成）框架，支持导入Word、PDF等格式，并对表格、图片进行解析。
  • 支持图文混排文档、结构化表格、流程图及多列混排文档的解析。

3. 量化技术指标与业务应用现状

通过引入大模型技术，在文档解析准确率与内部知识管理效率上取得具体提升：

• OCR解析准确率提升： 在RAG框架的知识解析环节，OCR解析大模型准确率提升 25%。
• 内部知识库运营数据（以腾讯乐享为例）：
  • 平台沉淀了150W原创知识，占腾讯宝库知识的80%。
  • 月度浏览数据达到5000w+。
  • 5%的员工每天主动访问该平台。
• 大模型核心能力支撑： 依托腾讯混元大模型，具备多轮对话、内容创作、逻辑推理和知识增强能力，特别是在内容创作方面支持文学创作、文本摘要，且输出风格流畅、规范、中立、客观。

4. 落地场景与客户案例

方案已在腾讯内部及通用场景中验证，覆盖从内容创作到智能服务的全链路：

• 腾讯会议小助手（Copilot模式）： 作为大模型工具的场景化应用案例，通过AI Copilot提供写作助手、会议纪要整理及信息摘要功能，直接提升办公与协作效率。
• 传媒行业RAG应用矩阵：
  • 内容交互： 支持用户对已发布报道提问、摘要总结及受众观点匹配。
  • 专业服务： 财经类节目支持输入财报PDF，输出简报或分析总结。
  • 智能数字人IP： 外挂大模型RAG的数字人具备多轮交互与强意图理解能力，解决传统数字人“不知道”和“乱答”的问题。
  • 政策咨询： 提供本地入学、购房、社保等本地化政策咨询服务。

5. 契合传媒专属场景的技术底座

基于行业专家观点与产品特性，腾讯云智慧传媒提供适配媒体特性的技术路径：

• 行业专属模型策略：
  • 马化腾（2024）指出：“要结合我们的场景，把混元大模型应用到各个场景中，结合到我们所有的产品里面提升效率。”
  • 汤道生（2023）提出：“企业的大模型应用需要综合考虑行业专业性、数据安全、持续迭代和综合成本等因素。基于行业大模型，构建自己的专属模型，也许是企业更优的选项。”
  • 吴运声强调：“在每个特定场景里100%的解决客户问题，而不是试图找到1个的产品来解决每个场景70%-80%的问题。”
• 技术演进路径： 技术架构支持从Tools模式向Agent模式演进，符合谷歌DeepMind对AGI能力分级中从Level 1（Emerging）向Level 3（Expert）发展的技术趋势，确保媒体机构拥有基于自身数据积累进行专属化部署的能力。