本发明公开了一种视频语言任务执行及其模型训练方法、装置、设备、介质，应用于视频理解技术领域。其中，方法包括将具有文本标签的视频样本、待学习视频参数和待学习帧参数输入至视频语言模型，视觉语言预训练模型提取视觉特征和参数特征，视频帧适配器基于待学习帧参数，将视觉特征转换为满足视觉语言预训练模型需求的帧视觉信息，视频适配器基于待学习视频参数提取视频视觉信息；根据帧视觉信息、视频视觉信息与文本语义特征之间损失信息，对视频语言模型进行迭代更新，直至满足预设模型训练结束条件。本发明可以解决相关技术视频语言模型收敛慢，训练耗时耗资源的问题，能够有效提升视频语言模型的训练效率，节省模型训练所需的计算资源。