现场是这样的。用 ffmpeg 按 1fps 给一段 8 分钟的装配演示抽帧，再交给视觉模型判断拧螺丝的步骤，模型说视频里没有拧螺丝动作，人工看原片在第 3 分 12 秒只出现了 1.8 秒。
中间走过弯路，把「画面存在快速运动模糊，单帧本身不可辨」当成主因，改完现象没变。
原因不止一个，得分开看。固定 1fps 对短动作采样不足，关键帧被跳过；抽帧后按文件名排序，时间信息丢失；一次提交上百帧，超出单请求图片数量上限。
动手时先按场景变化抽帧而不是按固定间隔
ffmpeg -i demo.mp4 -vf "select='gt(scene,0.3)',showinfo" -vsync vfr frame_%04d.jpg随后对动作密集区间加密到 4fps
ffmpeg -ss 00:03:00 -to 00:03:40 -i demo.mp4 -vf fps=4 dense_%03d.jpg接着按批次提交并带上相对时间戳
python submit_frames.py --dir dense/ --fps 4 --start 180 --batch 8末了把模型结论按时间轴还原成步骤序列
python timeline.py --answers ans/ --out steps.json恢复的判定其实很直接。第 3 分 12 秒附近的帧被抽到，模型正确识别出拧螺丝动作，步骤序列与人工整理一致，没有遗漏关键工序。
这里还有个坑。抽帧频率要和动作时长匹配，按场景切换抽帧再对重点区间加密，比整体提高 fps 更省 token 也更准。报错文案容易误导，真正的原因往往在相邻那一层的日志里。