对于当前的多模态模型的视频理解，均为视频抽帧理解，将视频按照每秒抽出多少帧（即参数FPS=[0-24],Gemini支持到24，doubao仅支持到5）进行图像理解，那么模型究竟是如何理解这些内容的呢，是将这些内容转为文本来理解？还是将这些帧图像加上时间戳转化为token？向量存储在对应云上呢？ 
目前我有一个项目是对多个视频加一段脚本进行混剪计划生成。即把多个视频素材喂给模型让模型基于我的指令生成多个混剪方案。当然我也看到了近期字节推出的vidi2，它论文里面的一个场景可以说和我这个项目一模一样（见下图），但是我从它的试用demo里并没有看到或者说体验到它论文中说的这种效果。 
 [image] 
求佬友指点一二， 🥺