本研究提出了新系统RAPID，旨在解决多媒体内容中的文本视频事件检索问题。通过结合大语言模型和提示学习，RAPID有效增强了查询上下文，提高了检索的准确性，尤其在处理上下文不完整的查询时表现突出。

本文提出了多种跨模态学习方法，包括自监督训练框架和多层次对齐方法，旨在提升文本与视频检索、行为识别等任务的性能。研究表明，这些新方法在多个数据集上优于现有技术，推动了医学机器学习和无监督匹配等领域的发展。