“让 AI 看视频”正在成为多模态应用的高频需求，但“支持视频输入”这句话的含金量差别巨大：有的模型真正在建模时序与音频，有的只是把视频抽帧当图片处理。选型时若只看宣传页的三个字，后期返工的成本往往很高。本文按离线分析、视觉推理、实时交互三条技术路线，梳理 Gemini、Qwen 与字节 SeedRealtime 的真实能力边界与调用要点，供开发者选型参考。
第一道分水岭：离线分析，还是实时交互？
选型的第一步不是比较模型参数，而是明确业务形态。这两类需求的技术栈完全不同。
离线分析的典型场景包括会议纪要生成、教学视频内容提取、短视频合规审核等。业务形态是“输入一个视频文件，输出一段结构化文字”。Gemini 与 Qwen 的多模态模型即可覆盖。
实时交互的典型场景包括视频客服、远程协助、互动教学。模型需要一边看画面、一边听声音，并在对话过程中即时回应。“上传—等待—返回”的异步模式在此类场景中并不适用。目前可选的方案较少，字节跳动的 SeedRealtime 是少数已落地的产品，已上线豆包 App 的视频通话功能。
Gemini：能力上限最高，调用流程需注意
Gemini 3.1 Pro 原生支持 text、image、video、audio 四类输入，上下文窗口达 1M token，是目前视频理解能力的天花板之一。但其调用并非传入 base64 即可完成：
长视频需先通过 Files API 上传，轮询至状态变为 ACTIVE 后，才能以文件引用方式发起请求；
视频超过 5 分钟时建议开启 background=True，否则请求大概率超时；
该模型当前仍处于 Preview 状态，接口存在变动可能，生产环境接入需预留兼容方案。
Qwen：视频理解与工具调用的组合能力 Qwen3.7-Plus 是通用视频理解方向的旗舰模型，1M 上下文，支持最长两小时视频输入，并具备 function calling 与内建工具能力。对于“看视频 → 判断 → 执行”的 agent 流程，这一组合可以省去拼接多个模型的中间层。
QVQ-Max 则是专门的视觉推理模型。官方示例显示，它能基于当前画面“预测接下来可能发生什么”，适合工业质检、操作规范判断等需要时序推理的场景。
Qwen 的视频输入调用相对友好，直接在请求中传入 videos 字段即可：
{ "model": "qwen3.8-max", "videos": ["/path/to/clip.mp4"], "text": "按时间顺序总结这个视频的场景变化" } 需要留意官方文档中的一句说明：“Local sampled frames are sent as ordered images.” 即本地视频会被采样为有序图像序列发送。若只需大致的内容摘要，这一方式完全够用；但若涉及秒级精度的动作分析，采样率就是必须确认的关键参数。
SeedRealtime：实时视频对话的可行选择
当用户开着摄像头与系统对话时，异步的上传—等待—返回模式不再适用。SeedRealtime 采用原生音视频全双工架构，边看、边听、边说，无需等待对方说完再处理。
官方披露的细节包括：多人场景下可同时完成认人、辨声与说话人区分；嘈杂环境中能屏蔽无关对话并判断接话时机。该能力已全量上线豆包 App 的视频通话功能，经过了消费级场景验证。
需要说明的限制是：目前暂无公开的独立 API，若产品不在字节生态内，接入需走商务合作，选型前应先行确认。
容易被忽略的维度：音频
许多场景中，声音承载的信息密度不亚于画面——产品演示视频的旁白参数，往往比画面显示的内容更完整。Gemini 原生支持音频输入；Qwen 的 omni 系列可配合 ASR 输出带时间戳的字幕；SeedRealtime 则在架构层面完成了音视频联合建模。对于语音信息占比高的场景，选型时应确认模型是否真正解析了音轨，而非仅抽帧看画面。
选型建议（分场景）
长视频离线分析（会议、教学、审核）：优先考虑 Gemini 3.1 Pro。需重点确认 Files API 上传流程、后台模式是否开启，以及 Preview 状态带来的接口变动风险。
通用视频理解 + 工具调用：Qwen3.7-Plus 更合适。它支持两小时视频上限，并具备 function calling 能力，适合需要"看完即执行"的 agent 流程。
视觉推理与因果判断：选择 Qwen QVQ-Max。此类场景对时序推理精度要求高，采样率的影响需要提前评估。
实时视频对话：SeedRealtime 是当前少数可选项。但需注意其目前主要在豆包生态内，若产品不在字节体系内，接入需走商务确认。
视频生成与二创：可关注 Gemini Omni Flash、MiniMax H3。需明确这类模型属于生成能力，与本文讨论的理解能力不可混为一谈，选型时不要混淆两类需求。
结语 视频理解模型的选型，本质上是先回答"业务需要离线分析还是实时交互"，再在对应路线内比较上下文长度、采样方式、音频处理与工具调用能力。建议在选型阶段直接翻阅官方文档中的输入限制与处理方式说明，而非仅依据宣传页的功能列表——这一步能省去大量后期返工。