视频多模态检索在蚂蚁内部有着广泛的应用，视频多模态检索具体包括两个方向，一个是视频，文本的语义检索，另外一个是视频，视频的同源检索，视频，文本的语义检索方向旨在通过文本检索与其语义相近的视频，其检索文本未必在检索到的视频描述中直接出现，但检索视频的内容与检索文本需要保证语义相关，例如，在支付宝的搜索...