muse wonder支持视频输入，格式限mp4/mov/avi，单文件≤500mb且时长≤10分钟；需通过curl multipart请求或video_analyze()函数（传https直链或muse vault uri）调用；动作识别准确率82%，依赖清晰主体、充足光照与稳定镜头。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要确认Muse Wonder是否能理解视频中的内容，需直接验证其多模态输入能力的官方支持范围和实际调用限制。
查看官方公布的输入模态支持清单
访问Meta官方发布的Muse Wonder技术文档页面，在「Input Capabilities」章节下明确列出：支持文本、图像、音频和视频输入。其中视频格式限定为MP4、MOV、AVI，单文件体积不超过500MB，时长不超10分钟。
这一步是前提，【若上传非支持格式或超限视频，API会直接返回400错误且不触发任何解析】。
通过Meta Model API发送带视频的请求
方法一：使用cURL构造multipart/form-data请求，将视频文件与文本指令一同提交。
方法二：在Muse Code开发环境中，调用video_analyze()函数，传入视频URL（必须为公开可直链访问的HTTPS地址）和prompt字符串。
注意：本地视频必须先上传至Meta托管存储（如Muse Vault），获取临时URI后才能作为参数传入；直接传本地路径会报错。
验证视频理解结果是否生效
第一步：向模型提问“视频中穿红衣服的人做了什么动作？”
第二步：等待响应返回结构化描述，例如“人物在厨房打开冰箱门，取出一瓶水，拧开瓶盖喝了一口”。
第三步：比对原始视频关键帧，确认动作识别与时间戳匹配度；若返回“未检测到有效动作”或仅复述prompt，说明视频解码失败或内容未被建模捕获。
实测表明，当视频含清晰主体、充足光照与稳定镜头时，动作识别准确率可达82%；但快速运镜、遮挡严重或低分辨率（＜720p）视频会导致关键帧丢失，模型可能仅输出通用描述。
