Tag · 8 篇
视频时序定位
通过跨模态注意力可区分性理解视频语言模型中的时序逻辑一致性
Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability
对做视频多模态理解的人，这篇给出了一个可复用的诊断与改进思路：用跨模态注意力头对不同时间戳视频 token 的区分度来定位时序推理失效，并通过注意力锐化目标直接提升时序分辨率，可作为分析 Video-LLM 时序能力的探针与训练正则。
TimeLens：重新审视多模态大语言模型的视频时序定位
TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs
对做视频-语言理解的人，这篇给出了把 MLLM 训练成强时序定位器的完整配方：交错文本时间编码、免思维链的 RLVR 训练范式，以及一套可复用的高质量重标注流程与修正后的评测基准，可直接用于重训或重评自己的时序定位模型。
T2SGrid：面向视频时序定位的时序到空间网格化
T2SGrid: Temporal-to-Spatial Gridification for Video Temporal Grounding
将视频帧按时间顺序以行主序拼成网格图像，把时序定位转化为二维空间理解任务，为视觉语言模型处理长视频提供了一种无需额外时间戳词元的可复用输入组织方式。
OneThinker：面向图像与视频的一体化推理模型
OneThinker: All-in-one Reasoning Model for Image and Video
把图像与视频的问答、描述、空间/时序定位、跟踪、分割统一进一个 MLLM，并用 EMA-GRPO 处理多任务 RL 的奖励异质性，为做统一视觉推理模型的人提供了可复用的多任务 RL 平衡策略与跨任务知识迁移证据。
OmniVTG：面向开放世界视频时序定位的大规模数据集与训练范式
OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding
提出自校正思维链训练范式，让多模态大模型先预测再反思修正，可迁移到其他需要精确定位的视觉语言任务；同时发布大规模开放世界视频时序定位数据集，为后续研究提供基准。
LongVT：通过原生工具调用激励“用长视频思考”
LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling
将LMM固有的时序定位能力作为原生视频裁剪工具，实现全局到局部的迭代推理，为长视频理解提供可复用的智能体框架与数据构造流程。
学习拒答：面向视频时序定位中难负相关查询的拒答感知强化微调
Learning to Refuse: Refusal-Aware Reinforcement Fine-Tuning for Hard-Irrelevant Queries in Video Temporal Grounding
把 GRPO 强化微调引入 VTG，用格式、拒答-IoU、解释、查询纠正四类奖励让 LVLM 学会对语义相近但实际无关的难负查询输出拒答，可直接迁移到任何需要「无目标即拒答」的定位/检索式视觉任务。
GroundVTS：多模态大语言模型中的视觉词元采样用于视频时序定位
GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding
提出查询引导的视觉词元采样机制，在输入LLM前过滤冗余视觉词元，可复用于其他视频-语言任务（如视频问答、时刻检索）以提升时序建模效率。