先看现象。做监控回放摘要时，把一段 10 分钟视频按每 24 秒取一帧，拼成 25 张图连同序号一起发给 gpt-4o，让它输出带时间点的事件，结果它把第 3 帧说成第 5 分钟，和真实时间差了一倍多。
把日志和配置对完，能解释这个现象的基本就这几处。模型并不知道帧与帧之间的真实间隔，只在猜顺序。另一种情况是帧序号从 1 开始而文案里写的是从 0 开始。
少数情况下是图片文件名里的时间戳没有被写进提示词。
不容易想到的是，视频本身有可变帧率，抽帧时刻不均匀。
第一件事是用 ffprobe 打印每帧的真实 pts
ffprobe -v error -select_streams v -show_entries frame=pkt_pts_time -of csv sample.mp4 | head -30随后把时间点直接烧进图片左上角
ffmpeg -i sample.mp4 -vf "fps=1/24,drawtext=text='%{pts\:hms}':x=10:y=10" out_%03d.jpg提示词里给出帧号与时间点的映射表
python -c "print({i: i*24 for i in range(25)})"要求输出严格按给定时间点引用
curl https://api.openai.com/v1/chat/completions -H "Authorization: Bearer $KEY" -d @frames.json怎么算真的好了，看的是同一批现象。输出的事件时间点与画面里的烧录时间一致，抽查三段都能对上原始视频，偏差控制在一个采样间隔内。
提醒一点。模型没有时间概念，时间信息必须以文字或画面像素的形式显式给出，靠帧序号推断一定会漂。同一份配置在测试环境跑通，不代表线上没事，两边的默认值经常不一样。