英文：Video Question Answering 分类：multimodal
输入视频与问题、输出答案的任务（VideoQA）。它要求理解帧序列中的事件、动作、因果与时间顺序，是视频理解能力的综合考验。
技术：帧采样+时空特征（视频编码器）+语言模型、视频大模型（长视频输入+定位引用）；任务类型：事实问答、时序推理（"之后发生了什么"）、因果推理；评测：NExT-QA、MSRVTT-QA、EgoSchema。
用于长视频内容检索（"会议里谁定的时间"）、监控查询（"发生了什么"）、短视频理解与教育辅导；视频问答是"视频语义化"的入口。