نُقدّم حالة متقدمة جدًا في مهمة استرجاع الفيديو من النص على مجموعتي بيانات MSRVTT وLSMDC، حيث يتفوّق نموذجنا على جميع الحلول السابقة بفارق كبير. علاوةً على ذلك، تم تحقيق نتائج متقدمة جدًا باستخدام نموذج واحد فقط على كلا المجموعتين دون الحاجة إلى التدرّب المُعدّل (fine-tuning). يُحقّق هذا التعميم متعدد المجالات من خلال توليف مناسب لمجموعة متنوعة من مجموعات بيانات وصف الفيديو. ونُظهر أن التدرّب على مجموعات بيانات مختلفة يمكن أن يُحسّن أداء النموذج في الاختبارات الخاصة بكل منها. بالإضافة إلى ذلك، قمنا بفحص التداخل بين العديد من مجموعات البيانات الشهيرة، ووجدنا أن MSRVTT تُظهر تداخلًا كبيرًا بين أجزاء التدريب والاختبار، كما هو الحال أيضًا مع نموذج ActivityNet.