VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models
作者这里的XL，指的不是size，而是extra-length，探索了video-CLIP模型能否处理这种超长的dense
caption。由此，作者设计了一套从数据到模型的变化，然后还仿照F1
score的方式在description ranking任务上定义了两个指标
我听喜欢这个方向的，顺应了re-caption和caption越来越长的大潮流
