video-language-models

MoTE 在多任务视频理解中引入了任务特定的专家路由，以替代密集的解码器前馈网络，通过可解释的稀疏计算提高了准确性和效率。

介绍了CLIP-CC-Bench，一个用于评估视频-语言模型在电影片段段落级描述上的基准，包含200个片段和人工参考段落。测试了17个模型，发现长格式视频描述仍未解决。