本研究探讨如何从短视频片段理解复杂事件，提出了一种多模态框架，将事件提取视为三阶段检索任务，并引入了注释丰富的基准数据集MultiVENT-G，展示了该方法在事件理解中的潜力与挑战。

本研究解决了复杂事件中理解和评估驱动目标行为的挑战，通过参与者成就的视角获取知识并收集了6330条高质量的目标和行动注释，证明该方法有效。研究发现，经过数据集微调的小型模型表现优于大型模型。