تم استخدام التعلم المقارن على نطاق واسع لتدريب نماذج الرؤية واللغة المستندة إلى المحولات (transformer) لمحاذاة الفيديو والنص وتعلم التمثيل متعدد الوسائط. يقدم هذا البحث خوارزمية جديدة تُسمى التعلم المقارن المتسلسل المُدرك للـ Token (TACo) التي تُحسّن التعلم المقارن من خلال تقنيتين جديدتين. الأولى هي دالة الخسارة المقارنة المُدركة للـ Token، التي تُحسب مع الأخذ بعين الاعتبار الفئات النحوية للكلمات. ويُستمد هذا المفهوم من ملاحظة أن الكلمات المحتوية على المضمون في النص، مثل الأسماء والأفعال، أكثر احتمالاً للمحاذاة مع المحتوى البصري في الفيديو مقارنةً بالكلمات الوظيفية. والثانية هي طريقة العينة المتسلسلة (cascade sampling)، التي تُستخدم لإنشاء مجموعة صغيرة من الأمثلة السلبية الصعبة (hard negatives) لتقدير خسارة فعّال للطبقات المتعددة الوسائط. ولتأكيد فعالية TACo، قمنا في تجاربنا بتعديل النماذج المُدرّبة مسبقاً على مجموعة من المهام التطبيقية، تشمل استرجاع الفيديو بناءً على النص (YouCook2، MSR-VTT، وActivityNet)، وتحديد مراحل الفعل في الفيديو (CrossTask)، وتقسيم الفعل في الفيديو (COIN). وأظهرت النتائج أن نماذجنا حققت تحسينات ثابتة عبر مختلف إعدادات التجربة مقارنة بالأساليب السابقة، وحققت حالة جديدة من الأداء المُتفوّق (state-of-the-art) على ثلاث معايير عامة لاسترجاع الفيديو بناءً على النص: YouCook2 وMSR-VTT وActivityNet.