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。