一种基于大语言模型的视频理解方法及系统

本发明涉及视频处理技术领域，具体说是一种基于大语言模型的视频理解方法及系统，包括获取视频问答示例，形成视频问答数据集，对所述视频问答数据集进行预处理，获得视频问答数据集的向量表示特征，将已有文本‑图像模型改组为视频特征提取模型，利用所述视频特征提取模型处理向量表示特征，获取视频分析结果向量特征，利用大语言模型分析视频分析结果向量特征，得到对应视频问答示例的答案，本发明通过数据预处理、模型训练以及冻结的大语言模型来进行视频理解问答，可以提高回答准确率，并节省训练算力以及数据资源。