我有一个场景，需要对多个视频（10万个）轮询截图打上标签，即需要多模态识别图像上的危险源，多少显存大小是比较合理的，同时考虑短视频的模态输入,同时考虑使用人数500人？ 
领导让我评估一下显存或者显卡怎么配置比较好 
ps：让我入职不到一年的评估，怎么感觉像是让我背锅啊，但是确实只有我在搞AI