视频帧特征是由 Swin-Transformer 模型提取的。每个视频帧会提取出一个768维的向量，每个视频最多32帧（1秒1帧，超出截断）

baseline 代码中的 frame_mask 是用于指示哪些帧是可用的。因为模型要求输入为32帧，但是有些视频不足32帧。frame_mask 为 1 表示可用，为0表示不可用。