TimeLens2: 基于多模态LLM的通用视频时间定位

视频多模态大语言模型（MLLM）能够描述视频中发生的事件，但很少能指出支撑证据出现的时间位置。我们研究通用型视频时间定位任务，即单个模型需跨视频长度、领域、查询形式和视角，预测一组基数可变的证据区间。现有训练策略与该集合值任务存在错位：长视频标注常依赖脆弱的单次标注流程，而强化学习奖励要么无法区分无重叠预测，要么需要脆弱的片段匹配。TimeLens2 在整个监督和优化过程中将时间证据视为区间集合。TimeLens2-93K 通过字幕派生提案、独立定位、跨智能体共识、语义验证和边界细化，构建了可靠的多跨度监督。我们的时间 Wasserstein 奖励在合并区间支撑上的均匀分布之间计算精确的一维 (W_1)，提供密集、无需匹配的反馈，可处理不等基数和等价碎片化情况；时间 IoU 则通过精确重叠反馈进行补充。在七个基准测试中，TimeLens2-2B 在每个基准上都优于所有同等规模的基线模型，而 4B 和 8B 变体达到了最先进性能，超越了参数规模高达 397B 的开源模型。2B、4B 和 8B 变体分别在其 Qwen3-VL 骨干网络上提升了 14.2、13.0 和 18.1 个 mIoU 点。