TAR-TVG：通过时间戳锚点约束的 推理增强视频时序定位中的视觉语言模型.pdfVIP

TAR-TVG：通过时间戳锚点约束的

推理增强视频时序定位中的视觉语言模型

1∗1∗11243

ChaohongGuo,XunMo,YongweiNie,XuemiaoXu,ChaoXu,FeiYu,ChengjiangLong

1SouthChinaUniversityofTechnology

23

NanjingAuditUniversityBytedanceInc.

4GuangdongLaboratoryofArtificialIntelligenceandDigitalEconomy(SZ)

cguo5104@,202421044335@,{nieyongwei,xuemx}@,

xuchao@,yufei@,cjfykx@

Abstract

本时间视频定位（TVG）旨在精确地将自然语言查询对应

的视频片段进行定位，这是理解长格式视频的关键能力。

译尽管现有的强化学习方法鼓励模型在预测前生成推理

中链，但它们未能明确约束推理过程以确保最终的时间预

测质量。为了解决这一局限性，我们提出了时间戳锚点

1

v约束推理用于时间视频定位（TAR-TVG），这是一种新

3的框架，在推理过程中引入时间戳锚点，对思维内容进

8行显式监督。这些锚点作为中间验证点。更重要的是，我

6

7们要求每个推理步骤产生越来越准确的时间估计，从而

0确保推理过程对最终预测有实质性的贡献。为了解决模

8.型中低概率生成锚点的挑战（例如Qwen2.5-VL-3B），我

0们开发了一种高效的自蒸馏训练策略：(1)初始GRPO

5训练以收集包含多个时间戳锚点的高质量推理轨迹，共

2

:计30K条，(2)对蒸馏数据进行有监督微调（SFT），以

v及(3)在经过SFT增强的模型上进行最终的GRPO优

i

x化。这种三阶段训练策略在保持推理质量的同时实现了

r

a稳健的锚点生成。实验表明，我们的模型达到了最先进

的性能，并产生了可解释、可验证的推理链，且时间估

计逐步精化。

介绍图1:“人打开灯”这一查询的时序定位方法比较。我们

时序视频定位（TVG）是视频理解中的一个基本的方法（底部）在推理过程（思考块）中引入了逐步

任务，要求模型能够精确地在未经修剪的视频中定位时间戳锚点（8.6秒到18.5秒和11.3秒到16.2秒），从初

出与自然语言查询相对应的时间片段(AnneHendricks始预测到最终预测强制精度细化，而TimeZero(Wang

etal.2017;Gaoetal.2017;Krishnaetal.2017;Linetal.2025c)则没有。真实值（GT：11.3秒到16.6秒）显

etal.2023;Zhangetal.2023b)。设想在智能家居环示我们的最终时间戳（11.3秒到16.2秒）比TimeZero

境中，TVG可以使得AI助手能够从数小时的录像中的预测（13.0秒到19.0秒）更接近对齐。红色框突出显

准确找到“孩子进入厨房”的时刻(Yangetal.2025;示视频帧中的关键动作区域。

Graumanetal.2022;Sigurdssonetal.2016)。这种能

∗Theseauth