Los modelos tradicionales de comprensión de video enfrentan muchos desafíos al procesar videos largos, incluida la complejidad del contexto en videos extensos. Aunque se han realizado varias investigaciones para mejorar la capacidad de comprensión de video, sigue siendo difícil superar eficazmente la baja eficiencia en el entrenamiento y la inferencia. Para abordar estos problemas, el equipo de investigación utiliza la tecnología HiCo para comprimir las partes redundantes de la información del video, reduciendo así significativamente la demanda computacional mientras se conserva la información clave. Específicamente, HiCo comprime el video jerárquicamente, dividiendo el video largo en segmentos cortos para reducir el procesamiento.