随着多模态大模型（MLLMs）的飞速发展，模型已经能够很好地理解视频中 “发生了什么（What）”，却无法精准地定位到事件在视频中 “何时发生（When）”。这种视频时序定位（Video Temporal Grounding, VTG）能力的严重缺陷 ...

点击上方“Deephub Imba”,关注公众号,好文章不错过 ...

TimeLens的推出不仅为VTG领域带来了一个新的开源模型，更为后续研究提供了宝贵的参考方法和设计蓝图。随着TimeLens的代码、模型、训练数据和评测基准的开源，未来的视频时序定位研究将迎来更加广阔的发展空间。此举无疑将推动整个行业在视频理解技术上的进步，开启新的篇章。 返回搜狐，查看更多 ...