本研究介绍了首个德国语方言检索数据集WikiDIR，指出传统词汇方法在高词汇变异情况下的不足，强调开发节省资源的方言特定检索模型的必要性，并证明文档翻译可以缩小方言差距。

本文提出了一种多级对齐训练方案，通过对称损失来对齐视频和语言的编码，确保相似信息紧密编码而不同语义的信息保持分开。该方案可应用于各种视频和语言接地任务，并在多个视频 QA 和检索数据集上实现了与先前现有技术的可比较性能。