一种基于多模态大模型的结构化视频理解方法、装置、计算机设备及可读存储介质

本发明公开了一种基于多模态大模型的结构化视频理解方法、装置、计算机设备及可读存储介质，包括：首先获取用户的待处理视频与描述需求的交互文本，接着对交互文本提取关键词并结合第一视频多模态大模型确定聚焦实体，再将视频输入第二视频多模态大模型以得到聚焦实体的聚焦时空场景图，最后依据此场景图对交互文本进行对话反馈，实现高效、准确的视频内容理解并满足用户需求。