밀집 비디오 캡셔닝
긴 비디오에서 시간적으로 밀집된 여러 이벤트를 탐지하고 각 이벤트에 대해 시간적으로 근거 있는 문장 설명을 생성하는 과제이며 이벤트 국지화와 문장 생성이 결합된 문제이기 때문에 토큰 수와 문맥 길이가 크게 증가하면 추론 비용이 급증한다.