本文综述了多项视频-语言研究：利用房屋导览视频预训练视觉语言导航代理，在R2R和REVERIE数据集上达到最先进水平；基于预训练模型与条件式3D U-Net按自然语言编辑视频，提出视帧差异损失以提升时序一致性；以无监督方式解决教育视频中的实体指代问题；对齐“如何做”视频与wikiHow文章以实现时间定位；利用自动生成的问答对实现可扩展视频问答；介绍无监督学习任务的主要步骤；采用联合生成模型解析指示视频的语义步骤；用教学视频学习步骤表示与排序；通过MIL-NCE从讲述视频中学习视频表示；提出VIDiff统一模型，按指令编辑增强视频。