本文探讨了大型语言模型（LLMs）在图机器学习中的应用，特别是在节点分类任务中的表现。研究表明，LLMs能够通过增强现有图算法和作为预测模型来提升性能。提出了LLM4DyG基准和DST2方法，以评估LLMs在动态图中的时空理解能力，并总结了其在图分析中的优缺点，讨论了未来的研究方向。

我们提出了一种新的双流架构，名为Cross-Attention in Space and Time (CAST)，使用RGB输入实现对视频的平衡的时空理解。通过瓶颈交叉注意机制，空间和时间专家模型能够交换信息并进行协同预测，提高性能。实验证明了该方法在多个公共基准数据集上的优越性能。