针对视频语言大模型的多视频联合理解系统

一种针对视频语言大模型的多视频联合理解系统，包括：视频结构化模块、图融合模块、视觉映射器、视觉编码器和词嵌入层，通过结构化视频表征与图融合机制，避免冗余视觉信息的无效输入，降低模型输入负载，实现数据高效利用；通过跨视频时空信息的整合，有效缓解单视频知识不完整性问题，减少幻觉性回答，提升模型对复杂任务的处理能力，能够应用于多视频问答、多视频内容理解、多视频摘要、跨视频事件分析等多种人工智能应用领域。