Los modelos basados en transformadores para la segmentación de acciones han logrado una alta precisión por cuadro en comparación con desafiantes pruebas. Sin embargo, dependen de múltiples decodificadores y bloques de autoatención para representaciones informativas, cuyos enormes costos de computación y memoria siguen siendo un obstáculo para manejar secuencias de video largas y su implementación práctica.