为了解决长篇视频理解的局限性，研究引入了MoVQA数据集，以评估多模态系统的认知能力。分析表明，现有方法在处理视频时性能下降。MovieLLM利用GPT-4生成高质量视频数据，提升理解能力。MovieQA数据集包含关于408部电影的14,944个问题，用于评估自动理解故事的能力。此外，研究还提出了多个新数据集和方法，推动长视频理解的发展。