本文提出动态尺度位置嵌入（Dynamic Scale Position Embedding, DSPE）方法，通过动态调整视频帧的位置嵌入（Position Embedding）使单一Transformer能够理解多尺度时序语义，显著提升跨模态（Cross-Modal）对齐能力。该方法在四个主流数据集（MSR-VTT、LSMDC等）的文本-视频检索与 ...