这篇论文研究了大型语言模型（LLMs）在对话理解和生成中的能力，发现现有模型在二进制推断对话中表现平庸。通过分析公开数据集和自有数据，评估了多种模型在医疗和教育领域的应用，强调了提示工程的重要性。实验结果表明，LLMs在理解复杂对话和生成有同理心的回应方面仍面临挑战，并提出了改进方法以提升其性能。

本研究提出了一种新颖的视频理解任务方法，将基于知识的问题回答融合进来，并提出了一个关于情景喜剧的视频数据集。该数据集融合了视觉、文本和时间的连贯思维，需要观看该系列影片的体验知识才能回答基于知识的问题。同时，本文提出了一种能够将视觉和文本视频内容与剧集相关的具体知识相结合的视频理解模型。主要发现是融入知识可在视频问答方面产生卓越的改进，但仍需进一步研究提高准确度。

该研究提出了一种新的视频理解任务方法，融入知识可在视频问答方面产生卓越的改进。研究发现，该方法仍远远落后于人类的准确度，具有较高的研究价值。