वीडियोप्रिज्म एक सामान्य वीडियो एन्कोडिंग मॉडल है जो विभिन्न वीडियो समझ कार्यों में अग्रणी प्रदर्शन प्राप्त कर सकता है, जिसमें वर्गीकरण, पता लगाना, पुनर्प्राप्ति, उपशीर्षक पीढ़ी और प्रश्नोत्तर शामिल हैं। इसका नवाचार बहुत बड़े और विविध पूर्व-प्रशिक्षित डेटासेट में है, जिसमें 36 मिलियन उच्च-गुणवत्ता वाले वीडियो-पाठ जोड़े और 58.2 करोड़ शोर युक्त पाठ वाले वीडियो क्लिप शामिल हैं। पूर्व-प्रशिक्षण एक दो-चरण रणनीति का उपयोग करता है, पहले वीडियो और पाठ को मिलान करने के लिए तुलनात्मक शिक्षा का उपयोग करता है, और फिर मास्क्ड वीडियो ब्लॉक की भविष्यवाणी करता है, विभिन्न पर्यवेक्षण संकेतों का पूरी तरह से उपयोग करता है। एक निश्चित वीडियोप्रिज्म मॉडल को सीधे डाउनस्ट्रीम कार्यों के लिए अनुकूलित किया जा सकता है, और 30 वीडियो समझ बेंचमार्क पर सर्वोत्तम परिणाम प्राप्त करता है।