视频理解方法、装置、电子设备及存储介质

本公开提供了视频理解方法、装置、电子设备及存储介质，涉及深度学习、大模型、计算机视觉以及自然语言处理等人工智能领域。其中的方法可包括：对待处理视频进行采样，得到采样出的M帧原始图像，M为大于1的正整数；获取待处理视频对应的音频的文本识别结果；根据各原始图像以及所述文本识别结果确定出目标输入信息；将目标输入信息输入视频理解模型，得到待处理视频对应的视频理解结果。