في عالم يرتفع فيه مستوى تبادل المحتوى المرئي، يبقى فهم محتويات الفيديو بشكل دقيق واحداً من أكبر التحديات التي يواجهها الباحثون في مجال الذكاء الاصطناعي. طرق تحليل الفيديو التقليدية غالبًا ما تعتبر الفيديو كحدث واحد يحتوي على عدة صور، مما يتسبب في تجاهل الفروق الدقيقة بين الأحداث المختلفة داخل الفيديو. ولتجاوز هذه المشكلة، تم تقديم مساعد الفيديو المعتمد على الأحداث (EVIS)، الذي يعتمد على أساليب جديدة تسهل فهم محتويات الفيديو عن طريق تقسيمه إلى مجموعة من الأحداث البسيطة.

يستند EVIS إلى فكرة أن التعبيرات اللغوية الطبيعية يمكن أن تُستخدم لتقسيم الفيديو إلى مقاطع منفصلة مترابطة نصيًا، حيث يمثل كل مقطع حدثًا مختلفًا ضمن حدث مركب. هذا المساعد يستخدم استعلامات الأحداث (Event Queries) لتحديد ومراقبة هذه الأحداث، مما يساعد على استخراج ميزات بصرية ونصية متعلقة بكل حدث.

إضافة إلى ذلك، تم تطوير تقنية التعلم الهجين (Object-Pixel-Hybrid Learning) التي تمكّن نماذج التعلم اللغوي الكبيرة (MLLMs) من تتبع الأهداف في الفيديوهات طويلة المدة، من خلال دمج الميزات الدقيقة المستندة إلى البكسلات مع استعلامات الكائنات السابقة.

تظهر النتائج التجريبية على خمسة معايير عامة مدى فعالية EVIS في تحسين أداء تقسيم الفيديو المعتمد على الإحالة، مما يفتح آفاق جديد لفهم المحتوى المرئي بشكل أعمق.