直击要害：基于事件链的免训练多模态摘要

多模态摘要旨在整合视频、转录文本和图像信息生成简洁文本。针对现有方法依赖特定领域监督、跨模态 grounding 弱及缺乏事件时序建模等挑战，本文提出 CoE 框架。该方法利用分层事件图将文本语义编码为显式事件层级，引导跨模态定位与时序推理，通过事件演化与因果过渡分析，结合轻量级风格适配优化输出。实验表明，CoE 在八个数据集上显著优于现有视频思维链基线，展现了卓越的鲁棒性与泛化能力。