本文介绍了多种新的视频-语言模型，如去耦合的空间-时间编码器、LongVLM和VideoStreaming，旨在提升长视频问答（LVQA）和视频理解的性能。通过分解视频、优化编码和利用大型语言模型（LLMs），这些模型实现了对视频内容的更好理解和回答能力。同时，指出了在处理视频时间性和鲁棒性方面的不足，并提出未来研究方向。

Video-LLaMA是一种多模态框架，结合视觉和音频编码器与大型语言模型，提升视频内容理解能力。该模型在长视频问答和字幕生成等任务中表现优异，解决了长视频处理中的信息丢失和推理速度慢的问题，展现出良好的应用前景。

本文介绍了一种创新的方法，解决多模态大型语言模型中的事件级幻觉问题，重点在于视频内容的时间理解。研究提出了一种高效的长期视频理解模型，突破了上下文长度和内存限制，并在多个数据集上表现优异。通过特殊设计的记忆机制，提出了 MovieChat 和 LLoVi 框架，实现了长视频理解的最新性能，展示了在长视频问答任务中的优势。

综述指出，大型语言模型推动视频理解发展，在时空推理和通识知识方面优势显著。VideoLLM、Audio-Visual LLM、Video-LLaMA、LLoVi、LVChat、InfMLLM等框架通过统一多模态标记、检索相关片段、音视频联合训练及高效视频分解，提升了长视频问答与多模态任务性能。

本文综述视频-语言模型进展，涵盖E-ViLM、VideoLLM、VTimeLLM、EfficientVLM、MobileVLM、LiteVL、Slot-VPS及检索式方法，分别提升效率、推理理解、细粒度时刻理解、模型压缩、移动端推理、免预训练、视频全景分割和长视频问答性能。