本研究提出了过去令牌预测（PTP）作为辅助任务，以解决从演示中学习长上下文策略的挑战。该方法显著提升了时间建模能力和策略训练效率，使长上下文扩散策略的性能提高了3倍，训练速度加快超过10倍。

本研究提出了一种新型多流方法MD-BERT，用于在昏暗或低光视频中进行动作识别。通过动态特征融合和时间建模，MD-BERT有效捕捉上下文信息，性能优于现有方法，建立了新的技术基准。

本研究提出了一种新方法，解决了现有引用视频对象分割（RVOS）在短视频中信息损失的问题。通过引入自然语言理解和时间建模，增强了Segment-Anything 2（SAM2）模型的能力，实现了更有效的流式场景跟踪，并在多个基准测试中取得了优异的结果。