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。

本研究提出了一种基于多模态大语言模型（M-LLM）的轻量级视频帧选择方法，旨在解决长视频中重要信息丢失的问题。通过自适应选择与用户查询相关的帧，并利用空间和时间监督信号进行训练，实验证明该方法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。该方法在空间和时间维度上进行压缩，显著提升了模型的推理能力和效率，同时保持了性能。实验结果表明，该方法在视频问答任务中实现了显著的效率提升。

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。

本研究提出了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。通过整合视觉信息和上下文文本，VidCtx显著提高了问答的相关性和有效性，实验结果表明其在视频问答基准测试中表现优异，具有良好的应用潜力。

本文探讨了视频问答中的挑战，现有方法在整合问题与视频帧方面存在不足。我们提出的局部-全球问知视频嵌入（LGQAVE）通过跨注意力机制和动态图转换器，显著提升了视频问答的准确性。

本研究提出了一种名为EVQAScore的无参考评估方法，用于视频问答和字幕数据质量评估。该方法通过关键词提取和帧采样技术，提高了评估效率和鲁棒性。在VATEX-EVAL基准上，EVQAScore表现优异，仅使用12.5%的原始数据量即可实现最佳结果。

该研究提出了多个视频问答框架和基准测试，旨在提升视频理解能力。通过引入新的数据集和评估系统，如STAGE、OVQA和MVBench，评估视频型大型语言模型的表现，揭示其与人类理解的差距，推动视频理解领域的发展。

本文介绍了一种新的视频问答（VideoQA）框架，结合异构内存和多模态融合层，通过自我更新的注意力实现多步推理，提升了在多个基准数据集上的性能。同时，提出了新的数据集和模型，以改善长视频的理解和推理能力，推动视频问答研究的发展。