Goldfisch ist eine Methodik, die für das Verständnis von Videos beliebiger Länge entwickelt wurde. Durch einen effizienten Abrufmechanismus werden zunächst die k besten Videosegmente gesammelt, die mit der Anfrage relevant sind, um anschließend die gewünschte Antwort zu liefern. Dieses Design ermöglicht es Goldfisch, effektiv mit beliebig langen Videosequenzen umzugehen, wie sie beispielsweise in Filmen oder Fernsehserien vorkommen. Zur Verbesserung des Abrufprozesses wurde MiniGPT4-Video entwickelt, ein Modell, das detaillierte Beschreibungen für Videosegmente generiert. Goldfisch erzielte in Langvideo-Benchmark-Tests eine Genauigkeit von 41,78 % und übertraf damit vorherige Methoden um 14,94 %. Darüber hinaus zeigte MiniGPT4-Video auch bei kurzen Videos eine hervorragende Leistung und übertraf die bisherigen besten Methoden in den Kurzvideo-Benchmark-Tests MSVD, MSRVTT, TGIF und TVQA um 3,23 %, 2,03 %, 16,5 % bzw. 23,59 %. Diese Ergebnisse zeigen, dass das Goldfisch-Modell sowohl beim Verständnis langer als auch kurzer Videos signifikante Verbesserungen bietet.