一种模型训练方法、装置、电子设备和存储介质

本发明公开了一种模型训练方法、装置、电子设备和存储介质。包括：基于目标训练时空分辨率对原始视频帧序列进行采样，得到目标训练数据；将目标训练数据输入教师模型，通过动态令牌选择生成目标令牌集合以及通过前向传播生成教师训练特征；根据教师模型的目标自注意力权重对目标令牌集合进行多尺度裁剪，生成至少三种不同令牌数量的学生训练掩码；将目标训练数据和不同学生训练掩码输入学生模型进行前向传播，生成学生训练特征；将学生训练特征与教师训练特征进行对齐蒸馏，以得到目标学生模型。解决视频理解模型在下游灵活推理上的不足，利用高时空分辨率下的动态令牌选择和多尺度掩码训练，使得模型能在各种下游计算量限制下取得较优性能。