视频理解模型选型指南：Gemini、Qwen、SeedRealtime 怎么选（附 API 示例）最近做 “让 AI 看视频” 的项目比较多，有的号称支持视频，实际就是抽帧当图片；有的文档含糊，传了视频模型根本不解析音频。这篇把实测可用的方案和坑整理一下，帮你少走弯路。 先分清：离线分析，还是实时交互？ 选型第一道分水岭，这两件事技术栈完全不同。 离线分析（会议纪要、教学提取、合规审核）：你有一个视频文件，要一段文字输出。Gemini、Qwen 的多模态模型就够。 实时交互（视频客服、远程协助、互动教学）：模型要边看画面边听声音、对话里即时回应。能打的很少，字节的 SeedRealtime 是少数已落