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，解决现有引用视频对象分割（RVOS）在短视频片段中缺乏全局上下文的问题。通过引入自然语言理解和时间建模，增强了Segment-Anything 2（SAM2）模型，使其在流式场景中有效工作，保持上下文信息，并在多个基准测试中取得优异成果。

本文综述手术阶段识别方法：ARST采用自回归变压器建模阶段相关性，在Cholec80上达到66帧/秒；STAR-Net结合多尺度时态行动与序列正则化；MS-TCN使用层次化时间卷积；SF-TMN融合帧级与片段级时间建模；MTMS-TCN联合识别阶段与步骤；此外还有ConvTransformer、STAR-transformer、扩张卷积分段、PSI-AVA数据集与TAPIR模型、LoViT长视频变压器等，均在相关数据集上优于现有方法。