本文研究了基于视频的语言表示，提出了多种新方法以提高长视频中的句子定位和生成能力。通过引导模型和多模态信息，改进了时间句子定位任务，并在多个数据集上取得了优异表现。此外，提出了新的基准测试LLM4VG，评估视频对齐任务中的不同模型性能，显示出进一步优化的潜力。

EC^2是一种用于预训练视频语言表示的新方案，能够在新环境中快速行动。该方法在实验基准中表现出显着优势，并超过以前的学习方法。对该方法进行了定量和定性分析，并讨论了未来的研究方向。