本文探讨了大型语言模型（LLM）在视频对齐任务中的应用，提出了LLM4VG基准测试以评估不同视频LLM的性能。研究表明，现有模型在视频对齐方面仍需改进，结合视觉模型和LLM的组合显示出潜力。通过图神经网络和新模型LongVLM，提升了长视频理解的效果，实验结果在多个数据集上表现优越。

本文介绍了LLM4VG基准测试，用于评估不同LLM模型在视频对齐任务上的性能。通过实验比较，发现现有的VidLLM模型在视频对齐性能上仍有待改进，而LLM和视觉模型的组合显示出初步的视频对齐能力，有潜力进一步改进。