完整题目
在多模态大模型处理视频数据时，通常需要进行视频切帧。请说明当前常用的视频切帧策略，包括固定时间间隔采样、关键帧提取等方法，并讨论其优缺点与应用场景。
五类切帧策略
- 均匀采样：按固定时间或固定帧数取样，覆盖稳定、实现简单，但可能漏掉短事件并保留大量静态重复。
- 镜头边界采样：先检测cut或渐变，每个shot选首尾、中间或代表帧。PySceneDetect的ContentDetector等主要依据相邻帧颜色与内容差异，不应归类为光流运动检测。
- 运动感知采样：用帧差、光流或跟踪变化提高高运动片段密度；相机抖动会造成误判。
- 学习式重要性采样：模型预测帧或片段重要度，需要与下游任务匹配的标注或自监督目标。
- 任务感知采样：根据用户问题、目标对象、字幕、音频事件或检索query自适应选片段，适合长视频问答，但成本与召回风险更高。
选型先明确目标是分类、检索、摘要、问答还是事件定位。评测同时看事件召回、冗余率、时间覆盖、模型token成本和端到端质量。视频时长、首尾帧价值及互动热区都属于业务先验，不能写成通用规则。
继续追问 · 3 个问题
- 如果视频很长（如1小时），如何设计分层采样策略？
- 关键帧提取和视觉编码器如何联合优化？
- 快手短视频场景下，如何结合用户行为数据（如完播率）指导切帧？
换一种问法，检查是否真正理解
场景切入
假设咱们做短视频审核，用户上传一个30秒的跳舞视频，但中间有5秒是黑屏。你怎么决定从哪些帧提取特征？是均匀抽帧还是只挑有动作的帧？
层层追问
处理视频时你怎么切帧？……就是怎么从连续帧里选出要分析的帧。如果视频很长，比如10分钟监控，你用什么策略？……那关键帧提取具体怎么做？
直球架构
请直接谈谈多模态大模型视频切帧的常用策略，比如固定时间间隔采样和关键帧提取，分别有什么优缺点和适用场景？