通过提出atemporal probe模型，本文探讨了视频和语言任务中现有的模型的局限性和潜力，并发现即使在面向较深层次视频理解的基准测试中，理解事件时间通常也不是实现强大或最新技术的性能所必需的。

Jun, 2022

利用网络爬取的大规模视频-文本对数据作为弱监督，视频理解模型的能力在事件层面的差异中辨别和理解细粒度事件方面仍存在问题，通过提出 SPOT Prober 方法并进行实验证明，通过将操作后的事件描述插入作为难负样本能有效增强模型对事件理解的能力。

Nov, 2023

视频型大型语言模型（Video-LLM）的评估系统是本文提出的主题，通过建立全面的基准测试系统，评估多种任务下的 Video-LLM 能力水平，揭示当前模型在理解和分析真实世界视频方面与人类的差距，提供有价值的研究方向。

Nov, 2023

通过引入全面的多模式视频理解基准(MVBench)，该研究提出了一种新的静态到动态方法，将静态任务转化为动态任务，评估多模式大型语言模型(MLLMs)的时间理解能力，并且开发了一种强大的视频MLLM基准模型VideoChat2，检验结果显示VideoChat2在MVBench上的性能超过其他领先模型15%以上。

Nov, 2023

通过综述表明，利用大型语言模型（LLMs）的能力，视频理解工具的发展具有巨大的潜力，并且在空间时间推理和通识知识方面表现出令人惊讶的优势，还展示了在各个领域中应用的强大可扩展性和多功能性。

Dec, 2023

通过调查105个需要事件理解能力的视频数据集，我们考虑它们对视频中鲁棒事件理解研究的贡献，并评估在这一研究领域中提出的视频事件提取任务，提出了基于调查结果的数据集策划和任务构建建议，特别强调视频事件的时间特性和视觉内容的歧义性。

Jun, 2024

通过引入基于现有数据集和人类注释的面向事件的长视频理解基准测试集Event-Bench以及使用合并的、事件密集型视频指令来增强视频MLLMs的低成本方法VIM，本研究表明GPT-4o模型超过了最佳开源模型41.42％，在Event-Bench上表现出53.33的整体准确率，优于最先进的开源模型和GPT-4V。

Jun, 2024

本研究聚焦于视频大型语言模型（VideoLLMs）中的幻觉现象，填补了这一领域与静态图像模型之间的研究空白。我们提出了一个新的基准EventHallusion，专注于评估VideoLLMs在视频事件理解中的幻觉问题，并提出了一种简单有效的方法——时序对比解码（TCD），显著改善了模型在该基准上的性能。研究发现，开放源模型面临严重幻觉问题，而闭源模型表现更佳。

Sep, 2024

本研究解决了使用大型语言模型（LLMs）在长视频理解中面临的信息冗余问题。提出的VideoINSTA框架结合事件驱动和内容驱动的时空推理，显著提升了三项长视频问答基准测试的表现，展示了其在零样本长视频分析中的有效性与影响力。

Sep, 2024

本研究针对现有视频基准在细粒度时间理解评估方面的不足，提出了TemporalBench这一新基准。通过约10,000对视频问答对，TemporalBench提供了独特的评估平台，揭示了当前先进模型在时间理解方面与人类之间存在显著差距（约30%）。该基准有助于推动模型在时间推理能力上的改进。

Oct, 2024