Ce rapport technique prolonge notre travail présenté dans [9] par l’ajout d’expériences supplémentaires. Dans [9], nous abordons la compréhension à long terme des vidéos, une tâche qui nécessite une inférence à partir d’observations actuelles ainsi que passées ou futures, et soulève plusieurs questions fondamentales. Comment modéliser les relations temporelles ou séquentielles ? Quelle étendue temporelle d’informations et de contexte doit être traitée ? À quelle échelle temporelle ces informations doivent-elles être extraites ? Le travail [9] répond à ces questions à l’aide d’un cadre flexible d’agrégation temporelle multi-granulaire. Dans ce rapport, nous menons des expériences supplémentaires avec ce cadre sur différentes tâches et sur un nouveau jeu de données, EPIC-KITCHENS-100.