大型语言模型对视频大型多模型的发展产生了影响。提出了一种新的多模态智能系统对齐策略，通过提供详细的视频描述来丰富视频内容的理解，以改进视频和文本内容的对齐效果。方法 VLM-RLAIF 在多种视频基准测试中表现出卓越的性能，超过了现有的方法。致力于开源代码、模型和数据集，促进该领域的进一步研究。