本研究提出了SoccerNet-v3D和ISSIA-3D两个增强且可扩展的数据集，旨在解决体育视频分析中3D场景理解数据集不足的问题，提升空间和时间分析能力。

该研究提出了一种轻量级深度学习模型，能够自动检测体育视频中的精彩片段，显著减少人工干预。通过结合音频和视频源，模型实现了高准确率，提高了处理效率和鲁棒性。

本研究提出了体育视频评论生成的新任务及基准SCBench，评估视频大型语言模型的细粒度时序视觉能力。结果显示，InternVL-Chat-2在该基准上表现最佳，为复杂视觉理解任务提供了新视角。