本研究提出了ProgGen模型，利用大型语言模型的归纳偏见，解决视频预测中动态描述模型的不足。该方法通过神经-符号的可解释状态集生成视频帧预测，尤其在复杂环境中表现优于现有技术，支持因果推理和可解释性。

本研究提出了一种新方法，通过引入归纳偏见来增强CLIP模型在复杂组合场景中的理解能力，提升多对象组合理解的性能。