既存のVideo Language Pre-trainingモデルが詳細的にビデオ内容とテキストのアラインメントに対しての検討が不足している。また、物体検出器に頼る手法が多いため、計算コストが高い。物体検出器を用いない、スパースなビデオフレームとテキストをアライメントする手法を提案。提案手法ではPromptを導入し、ContrastiveVideo-textロスでビデオとテキストの関係を学習する。