본 논문은 대규모 언어 모델과 구조화된 의미론적 추론을 연결하는, 루브릭 기반, 의사 레이블 및 프롬프트 기반의 제로샷 비디오 요약 프레임워크를 제안합니다. 소수의 인간 주석을 고신뢰도 의사 레이블로 변환하고, 주제 관련성, 액션 디테일, 내러티브 진행과 같은 명확한 평가 차원을 정의하는 데이터셋 적응형 루브릭으로 구성합니다. 추론 과정에서 시작 및 종료 세그먼트를 포함한 경계 장면은 자체 설명에 따라 독립적으로 점수를 매기고, 중간 장면은 내러티브 연속성과 중복성을 평가하기 위해 인접 세그먼트의 간결한 요약을 통합합니다. 이 설계를 통해 언어 모델은 파라미터 튜닝 없이 지역적 중요성과 전반적인 일관성을 균형 있게 유지할 수 있습니다. 3개의 벤치마크에서 제안된 방법은 SumMe에서 57.58, TVSum에서 63.05, QFVS에서 53.79의 F1 점수를 기록하며, 제로샷 기준선을 각각 +0.85, +0.84, +0.37 능가하는 안정적이고 경쟁력 있는 결과를 달성했습니다.
