手机在线所有所有日本黄色一级一级黄色一级黄色一级黄色一级黄色黄色一级黄色

电脑版下载

80675
4

手机在线所有所有日本黄色一级一级黄色一级黄色一级黄色一级黄色黄色一级黄色截图Q8X2R7L1T4J5M9B6W3

内容详情

手机在线所有所有日本黄色一级一级黄色一级黄色一级黄色一级黄色黄色一级黄色

随着多模态大模子（MLLMs）的飞速生长，模子已经能够很好地明确视频中 “爆发了什么（What）”，却无法精准地定位到事务在视频中 “何时爆发（When）”。这种视频时序定位（Video Temporal Grounding, VTG）能力的严重缺陷，已成为制约 MLLM 迈向更细腻化的视频明确的主要瓶颈。

恒久以来，大宗研究致力于设计重大的模子结构，却忽视了两个要害问题：在数据层面，我们依赖的评测基准是否可靠？在算法层面，是否保存一套精练通用的最佳实践？

针对上述痛点，来自南京大学、腾讯 ARC Lab 和上海 AI Lab 的联合研究团队提出了TimeLens（时间透镜），系统性地展现了现有数据的“评测陷阱”，构建出更可靠的评测基准和高质量训练数据，并探索出一套精练有用的算法优化。得益于这些孝顺，仅8B 参数的 TimeLens 模子成为了开源模子中的新 SOTA，更击败了 GPT-5 和 Gemini-2.5-Flash 等闭源巨头。

论文问题：TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs论文链接： https://arxiv.org/abs/2512.14698项目主页： https://timelens-arc-lab.github.io/代码链接： https://github.com/TencentARC/TimeLens

焦点洞察：拨开数据质量的迷雾

在深度学习中，“Data is fuel”（数据即燃料）是公认的真理。然而，团队发明，在 VTG 领域，燃料的质量却令人担心。

1. 现有基准的 “隐形陷阱”

研究团队通过一套标注流水线，对 Charades-STA、ActivityNet Captions 和 QVHighlights 等主流基准举行了严酷的人工核验，发明这些基准数据集中充满着大宗的标注过失。许多样本中的文本形貌模糊不清，或是文本形貌的事务在视频中基础未泛起。标注方面，也保存大宗的时间界线标注过失，或是统一形貌对应了视频中的多个片断却只标注了其中之一（漏标）。统计数据显示，这些过失在现有基准中的比例极高。

2. TimeLens-Bench：对评估效果的“拨乱横竖”

为相识决现有数据集中保存的严重过失，团队构建了严酷的标注准则，对上述三个基准数据集举行了周全的修复和重新标注，推出了TimeLens-Bench。这是一个经由严酷交织验证的高质量评测基准，能够更真实地反应模子的时序定位能力。

将 TimeLens-Bench 和原始 Benchmark 上的评测效果举行比照，揭破了过往评估效果的不可靠—— 旧基准严重高估了开源模子的能力，而掩饰了前沿闭源模子（如 Gemini）的真实水平。TimeLens-Bench 对这一过失举行了拨乱横竖，事实上，现有开源模子仍显着落伍于闭源模子。

3. 高质量训练数据：TimeLens-100K

针对同样低质量的训练数据，团队设计了一套自动化流水线，对训练数据举行了大规模的洗濯和重标，宣布了高质量的大型训练数据集 TimeLens-100K。实验证实，数据质量的提升能带来显著的性能增添。

算法设计的“最佳实践”

在夯实数据基础后，TimeLens 进一步对 MLLM 在 VTG 使命上的算法设计举行了全方位的消融实验，从时间戳编码到训练范式，总结出一套精练有用的 “最佳实践”。

1. 精练有用的时间戳编码

时间戳编码（timestamp encoding）是 VTG 使命中的要害模子结构设计，决议了模子能否准确地感知到输入的每一视频帧的采样时间。

团队周全地比照了种种时间戳编码方法的优劣。实验效果批注，最优的时间戳编码方法是简朴的交织文本编码（Interleaved Textual Encoding）战略，即在每一帧的视觉 Token 前插入文本形式的时间戳 token。这种要领无需修改 LLM 的底层架构，包管了实现上的精练，同时还能取得最优的效果。

2. 训练范式：Thinking-free RLVR 的胜利

随着 DeepSeek-R1 等一系列事情的提出，带有可验证奖励机制的强化学习（RLVR）范式在提升模子推理能力方面的作用备受关注。而在 VTG 领域，关于训练范式的几个要害问题尚无定论：

有监视微调（SFT）仍是 VTG 领域最为主流的训练范式，RLVR 范式在同样的训练开销下，是否显着优于 SFT？时序定位使命是一个以感知 (Perception) 而非推理 (Reasoning) 为主的使命。针对这样的使命举行 RLVR 训练时，显式的思索历程（thinking）是否是必需的？SFT+RLVR 的多阶段训练，是否比单阶段训练的效果更好？

TimeLens 比照了多种训练范式的优劣。结论出人意料且极具启发性：单阶段的 Thinking-free RLVR 训练范式在盘算效率和性能上均取得了最优。该范式直接让模子输出定位效果，并凭证定位准确率（IoU）给予奖励。这种方法不需要天生冗长的中心思索历程，训练和推理效率高于 Thinking-based RLVR 范式和多阶段训练范式，且性能优于 SFT 范式。

这一效果批注，关于时序定位这种偏向感知（Perception-heavy）的使命，显式的思索历程不是必需的。模子可以直接学习从使命输入到输出的映射，不需要举行重大的逻辑推理。

3. 要害训练技巧：Early Stopping 与 Difficulty-based Sampling

针对Thinking-free RLVR范式，团队举行了越发深入的实验探讨，发明了两个要害的训练技巧。

首先，与 SFT 中 “训练越久越好” 的共识差别，在 RL 训练中，当奖励指标进入平台期后，就应该接纳早息兵略（Early Stopping）连忙阻止训练，在该阶段之后继续训练反而会使得模子的性能下降。

其次，基于难度的数据采样（Difficulty-based Sampling）至关主要。纵然数据的标注质量有包管，也并非所有的数据都适适用于 RLVR 训练。需要预先使用待训练的模子举行推理，评估每个训练样本的难度，采样足够具有挑战性的样本举行 RLVR 训练，才华最洪流平上提升模子的性能。

实验验证：8B 模子逆袭闭源巨头

研究团队将上述数据和算法层面的所有刷新聚合在了一起，每一项手艺都带来了显着的性能提升，最终获得了 TimeLens 系列模子。

评测效果批注，TimeLens-8B 展现出了惊人的性能，不但大幅逾越了 Qwen3-VL 等开源模子成为新的开源 SOTA，更以 8B 的参数目，在多项焦点指标上周全击败了 GPT-5 和 Gemini-2.5-Flash 等前沿的闭源模子。

这一效果有力地证实晰：在 VTG 使命中，通过系统性地提升数据质量并接纳有用的算法设计，开源小尺寸模子完全具备挑战甚至逾越闭源大模子的能力。

总结

TimeLens 的孝顺不止于一个 SOTA 开源模子。团队在数据和算法双维度的系统性探索，为后续研究提供了极具参考价值的要领论与设计蓝图。

现在，TimeLens 的代码、模子、训练数据和评测基准都已开源，希望能为未来的视频时序定位研究提供一个更好的起点。