本研究提出了PerceptionLM框架，解决了视觉语言模型的闭源问题，并发布了280万个人工标注的视频问答对，以促进详细视频理解。同时推出的PLM-VideoBench评估套件推动了透明研究的进展。

该研究提出了一种新型时间三重变换器（T3T），有效解决视频问答中的非线性交互问题，显著提升了准确性和深度。

本研究评估了多模态大语言模型在自我中心视频问答中的表现，特别是针对长时间跨度推理和第一人称视角的挑战。引入的QaEgo4Dv2数据集显示，微调后的Video-LLaVa-7B和Qwen2-VL-7B-Instruct在问答任务中表现优异，提升了准确性，并指明了未来改进方向。

本文提出了一种新方法，通过双图和异构图在视频问答中进行信息传递，以提高静态关系识别的准确性。实验结果表明，该方法在ANetQA和Next-QA数据集上显著提升了答案推理的准确性。

本研究提出了一种主动关键帧搜索（AKeyS）算法，旨在提升视频问答中的视频理解能力。该算法通过现代语言代理优化经典搜索方法，有效区分关键信息与冗余内容，从而显著提高搜索效率并降低计算成本。实验结果表明，AKeyS在关键帧搜索方面优于以往方法。

中山大学与南洋理工大学等团队提出了跨模态因果对齐框架（CRA），旨在提升视频问答的时空定位准确性与可解释性。CRA通过三个模块优化因果推理，克服现有模型的统计偏差问题，已在CVPR 2025接收并开源代码。

本研究提出了一种语义驱动的搜索框架，解决长视频理解中文本查询与视觉元素之间的逻辑关系。通过定义四种逻辑依赖关系，动态更新帧采样分布，实现语义关键帧识别，显著提升了关键帧选择和视频问答任务的性能。

本研究提出了一种新框架VITED，旨在解决复杂视频问答中的链式证据推理问题，能够有效利用视频中的关键证据，超越现有模型。

本研究提出了Multi-Object Multi-Actor Question Answering (MOMA-QA)数据集，以解决视频问答中的时间和空间粒度不足问题。同时，提出了一种新的视频语言模型SGVLM，结合场景图预测和大型语言模型，显著提升了视频理解的精细度。

本研究提出了一种轻量级的多模态大语言模型（M-LLM）帧选择方法，旨在解决长视频中重要信息丢失的问题。通过自适应选择相关帧并结合空间和时间监督信号进行训练，显著提升了视频问答的性能。

本文提出了一种新的无学习令牌压缩方法，旨在降低视觉-语言模型的计算成本和推理时间。该方法通过空间和时间维度的压缩，显著提升了模型的推理效率，实验结果在视频问答任务中表现突出。

本研究提出了一种新方法ReasVQA，旨在提升视频问答模型的性能。通过多模态大型语言模型生成推理过程，实验结果表明该方法在多个基准测试中显著提高了性能，验证了推理过程的重要性。

本研究提出VidCtx框架，旨在解决大型多模态模型在视频问答中的计算和内存限制。通过整合视觉信息与文本描述，提升问答的相关性和有效性，实验结果表明其在基准测试中表现优异。

本文提出局部-全球问知视频嵌入（LGQAVE），通过跨注意力机制和动态图转换器整合多模态知识，显著提升视频问答的准确性。

本研究提出了一种名为EVQAScore的无参考评估方法，旨在解决视频问答和字幕数据质量评估的问题。该方法通过关键词提取和帧采样技术，提高了评估的效率和鲁棒性，并在VATEX-EVAL基准上表现出色。

本研究推出了TVBench，一个开源的视频选择问答基准，旨在解决现有基准缺乏时间推理能力和过度依赖文本的问题。研究发现，TVBench要求模型具备较强的时间理解能力，大多数现有模型表现接近随机水平，只有Gemini-Pro和Tarsier明显优于基线。

本文介绍了EditVid-QA视频问答基准，涵盖特效、搞笑、网络迷因和游戏四类编辑。研究发现现有的视频LMMs在编辑视频上表现不佳。通过基于Panda-70M/WebVid和TikTok/CapCut视频收集训练集，提升了EditVid-QA的性能。评估中使用GPT-4 judge和关键词过滤来避免“sorry”攻击。数据集仅供学术用途。