该文综述文本-视频检索研究进展，涵盖利用X-CLIP等大模型与注意力特征聚合的多层次教学、多粒度对齐模型UCoFiA（检索R@1最高提升2.4%）、时空上下文模块学习视频语义表示、基于CLIP无标注获取视频表示、CrossTVR两阶段架构结合解耦交叉注意力与冻结CLIP、CLIP2Video以时序差分与对齐模块提升相关性，以及RECO外部记忆检索和多层级早期融合方法。