2025_NIPS_Time-R1: Post-Training Large Vision Language Model for Temporal Video Grounding

文章核心总结与创新点

主要内容

该研究聚焦长视频理解中的核心任务——时间视频定位（TVG），即根据自然语言查询定位视频中特定片段。针对现有大型视觉语言模型（LVLMs）在TVG任务中因监督微调（SFT）过惩罚合理预测导致泛化能力不足的问题，提出了基于强化学习（RL）的后训练框架Time-R1，配套设计了数据高效的微调策略TimeRFT和专用基准测试集TVGBench，最终在多个数据集上实现了最先进（SoTA）性能，同时提升了模型在长短视频问答任务中的通用理解能力。

核心创新点