본 논문은 정확한 시간적 추론과 다중 모달 이해를 위해 특별히 설계된 데이터 효율적인 비디오 LLM인 DaMO를 제안합니다. DaMO는 계층적 이중 스트림 아키텍처를 사용하는 Temporal-aware Fuseformer를 중심으로, 각 모달 내의 시간적 역동성을 점진적으로 포착하고 상호 보완적인 시각 및 음향 정보를 효과적으로 융합합니다. 공간적 중복성을 줄이면서 필수적인 의미적 세부 정보를 유지하기 위해 전역 잔차를 통합하여 계산 효율성을 높입니다. 다중 모달 정렬, 의미적 근거, 시간적 추론 기능을 점진적으로 갖추도록 하는 4단계의 점진적 훈련 패러다임을 통해 DaMO를 훈련합니다. 또한, 시간적 감독이 필요한 작업을 위해 GPT가 생성한 시간적 근거 QA 쌍으로 확장된 여러 데이터셋을 제공합니다. 시간적 근거 및 비디오 QA 벤치마크에 대한 종합적인 실험을 통해 DaMO가 특히 정확한 시간적 정렬 및 추론을 요구하는 작업에서 이전 방법들을 꾸준히 능가함을 보여줍니다.