实测 Qwen2-VL 处理长视频:11 分钟影片生成 96 个精确时间戳事件

vanstriendaniel · x · 2026-08-15

开发者分享了使用 Qwen2.5-VL(文中指 Qwen3.8-27B)处理长视频的实测结果。模型在单次请求中分析了一部 1935 年的 11 分钟电影,生成了 157 秒内包含 96 个带时间戳的事件摘要,并准确引用了屏幕文字。

验证显示,模型生成的时间戳与实际帧画面误差仅约 2 秒。该测试通过 Hugging Face Jobs 在单 GPU 上运行。作者开源了相关 PoC 脚本,支持无分块的全视频字幕生成与时间轴提取。