वर्तमान में, बहु-मोडल बड़े भाषा मॉडल (MLLM) वीडियो समझने के क्षेत्र में महत्वपूर्ण प्रगति कर रहे हैं, लेकिन अत्यधिक लंबे वीडियो को संभालना अभी भी एक चुनौती बन हुआ है। इसका कारण यह है कि, MLLM आमतौर पर अधिकतम संदर्भ लंबाई से आगे बढ़ने वाले हजारों दृश्य टैग को प्रबंधित करने में कठिनाई महसूस करते हैं, और टैग समेकन के कारण होने वाली जानकारी में कमी से प्रभावित होते हैं। साथ ही, बड़ी मात्रा में वीडियो टैग भी उच्च गणनात्मक लागत लाते हैं। इन समस्याओं को हल करने के लिए, ज़ियुआन अनुसंधान संस्थान ने शंघाई जियाओ टोंग यूनिवर्सिटी, चीन की पीपुल्स यूनिवर्सिटी, पीकिंग यूनिवर्सिटी और बीजिंग邮电大学 जैसे कई विश्वविद्यालयों के साथ मिलकर Vide पेश किया।