本研究探讨了指导模型在指令调整中可能导致的知识遗忘和对话过度问题。通过部分适应方法，降低指令调整强度可以提高几-shot学习性能，但会略微降低指令跟随能力，揭示了上下文学习与指令跟随能力之间的权衡。

本文研究了基于视频的语言表示的大规模MAD数据集，并提出了一种新的指导模型的方法，以提高基于句子的方法在长视频上的表现。该方法在MAD数据集上获得了更好的效果。