先看现象。把一段三分钟的监控视频按每秒两帧抽出来，共三百多张图塞进一次请求，返回 400，原文 too many images in request，模型是 gpt-4o。
这类报错背后常见的原因有几处，逐个排除就行。单次请求的图片数量有上限，超了直接拒。也可能是每张图都按高精度计费，token 很快超上下文。
还有一种情况，抽帧间隔过密，前后帧内容几乎重复。
另外，先用多张图再转成一条视频，混合类型不被接受。
先按场景变化抽关键帧
ffmpeg -i in.mp4 -vf "select='gt(scene,0.3)'" -vsync vfr frames/%03d.jpg限制最多取多少帧
python -c "import glob;fs=sorted(glob.glob('frames/*.jpg'));print(len(fs[::max(1,len(fs)//12)]))"等前面都确认过，再分批请求并在本地汇总
python video_summarize.py --frames frames --batch 8 --merge怎么算真的好了，看的是同一批现象。每批请求返回 200，最终摘要覆盖整段视频的关键事件，单次请求图片数稳定在上限之内。
容易忽略的是，视频理解的质量取决于关键帧选得好不好，堆帧数只会同时抬高成本和延迟，多数场景十二帧已经够用。拖得越久，排查成本越高，因为现场状态会被后续操作覆盖。