一种视觉任务处理方法、装置、电子设备、介质及产品

本发明公开了一种视觉任务处理方法、装置、电子设备、介质及产品。所述方法包括：获取视频图像序列和用户指令；将所述视频图像序列和所述用户指令输入任务偏好模型中，通过所述任务偏好模型中的任务解码器和多模态大语言模型扩展新的视觉任务，输出视觉任务处理结果。该方法通过扩展新的视觉任务增强多模态大语言模型对视觉任务的理解能力，达到能够更精确的感知和理解视觉任务。