视频

然而随着多参考图视频生成与编辑的发展，除了对视频本身的理解，通常还需要模型经常同时处理人物、服装、场景等多张参考图，建立参考图和视频的对应关系。

而我们通过实验发现一个几乎所有多模态大模型都存在的问题：模型虽然可以将简单的视频主体和参考图主体对应，但当参考图增多时，视频理解模型对于视频中的主体和参考图的对应能力则会大幅下降。