本文研究了多模态算法在多媒体系统中进行视频场景分类的应用，通过识别单帧图像特征进行分类。clip和blip是两种经典的多模态算法，能够处理图像和文本数据，并在多种任务上展现出卓越性能。实验结果表明，基于clip的方案在准确率和性能上优于传统算法。未来，多媒体实验室将继续探索引入更多大模型和多模态技术，提高整个系统的性能。