基于多模态大模型的视频处理方法、装置、设备及介质

本申请涉及数据处理技术领域，尤其涉及基于多模态大模型的视频处理方法、装置、设备及介质，在本申请实施例中，多模态大模型包括融合结构、语言大模型和至少两个视频编码器，其中，采用至少两个视频编码器提取目标视频的初始视频特征，并采用融合结构将多个视频编码器的初始视频特征进行融合，得到目标视频特征，实现视频的特征的精细化提取，增强多模态大模型视频细节描述能力。