本文研究视频检索模型在对象、属性和动作理解方面的表现，发现预训练的图像-文本表示模型（如CLIP）在语义理解上更具优势。强调时间元素在视频语言研究中的重要性，并提出改进视觉语言模型的策略。此外，介绍了新的基准测试集和框架，以提升视频生成和检索的性能。

研究发现，CLIP模型在冻结状态下，不进行微调的情况下，具有惊人的持续学习表现。作者在多种设置和五个基准测试集上评估了CLIP模型，证明其在大多数设置中优于现有模型。