该论文提出了一种新方法，通过大规模视觉和语言模型生成视频字幕，实验结果显示在多个数据集上CIDEr提升了4%至20%。同时，介绍了InternVid数据集，旨在增强视频-文本编码能力，并展示了在视频字幕挑战中的有效性。