一句话定义：帧采样（Frame Sampling）是从一段视频里挑选出若干帧，作为视频模型实际输入的过程。
视频本质是连续图像序列。一段 10 分钟、30fps 的视频有 18000 帧。如果全部送进模型，计算和显存都吃不消，而且相邻帧高度相似，信息冗余。所以模型通常不会“看完”整段视频，而是像抽查作业：从时间轴上挑几帧看。挑哪几帧、挑多少帧，就是帧采样策略。
打个比方：老师检查一学期课堂纪律，不可能看完整监控，只能抽几段录像。如果每天固定上午 10 点看 1 分钟，可能正好看到大家认真听讲；如果只抽开学第一周和最后一周，就错过期中那场全班打闹。帧采样也一样：均匀抽帧可能漏掉一闪而过的关键动作；抽得太密又浪费算力。
常见策略对比：
| 策略 | 做法 | 优点 | 风险 |
|---|---|---|---|
| 均匀采样 | 按固定间隔取帧 | 简单，覆盖时间轴均匀 | 可能错过短暂关键事件 |
| 随机采样 | 随机挑若干帧 | 训练时增加多样性 | 推理结果不稳定，可能漏看 |
| 关键帧/自适应采样 | 根据画面变化、运动幅度选帧 | 把算力花在“有变化”处 | 实现复杂，可能被噪声干扰 |
和相邻概念的区别：
- 帧率（Frame Rate）是视频拍摄或编码时每秒包含多少帧，是视频本身的属性；帧采样是模型从这些帧里取多少、取哪些，是输入处理策略。
- 关键帧（Keyframe）在视频编码里指可独立解码的帧，不等于模型采样选中的帧。模型可以采样到非关键帧。
- 时间下采样（Temporal Downsampling）通常指降低时间分辨率，和帧采样有重叠，但帧采样更强调“选哪些”，而非仅仅“隔几个取一个”。
对从业者：视频理解、视频生成、多模态大模型都绕不开采样。采样太少，模型看不到快速动作和短事件；采样太多，算力成本上升，还可能引入冗余。设计时要在覆盖度、成本和任务需求之间权衡。对普通人：如果你上传一段长视频问 AI“球是怎么进的”，它可能因为只看了几帧而答错或答得笼统。这不是它“笨”，而是它没被给到关键画面。想让它看得更准，可以裁剪出关键片段，或明确让它关注某段时间。具体产品支持的上传时长和采样方式，以官方页面为准。