本文介绍了一种基于大模型的行车记录仪视频拼接方案。通过分析文件名中的时间信息，模型将视频文件按时间连续性分组，确保每组内时间差不超过10分钟。输出结果以JSON格式返回，作者强调了模型输出检查的重要性，并通过调整提示优化结果，以确保拼接的准确性。

本研究提出了一种双时域通道注意力机制(DTA)，旨在解决脉冲神经网络在时间信息利用方面的挑战。实验结果表明，DTA在静态和动态数据集上表现优异，增强了脉冲表示与时间通道关系的捕获能力。

本研究提出了一种“审查-再润色”框架，优化多跳问答中的时间信息处理，显著提升大语言模型的性能。

本研究提出了一种时间深隐高斯模型（tDLGM），用于处理高度多样化的非平稳时间序列数据。该模型有效捕捉时间信息，并对数据错误具有较强的鲁棒性，实验结果表明其在重构和生成复杂时间序列数据方面表现优异。

本研究提出了无监督视频去噪框架（TAP），通过融入时间信息解决了动态场景中视频去噪数据配对困难的问题，展示了优越的效果。

本研究使用时间信息和人类多模态信号，通过LSTM在视频中检测对话群体和预测下一个发言者。实验结果显示，群体检测的真实正例率达85%，下一个发言者预测的准确率为98%。

大型语言模型对时间信息的推理和保留能力有限，闭源模型显示知识缺口，微调方法未带来显著性能提升。