南大腾讯联合提出TimeLens，数据+算法全方位升级

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，已成为制约 MLLM 迈向更精细化的视频理解的主要瓶颈。

长期以来，大量研究致力于设计复杂的模型结构，却忽视了两个关键问题：在数据层面，我们依赖的评测基准是否可靠？在算法层面，是否存在一套简洁通用的最佳实践？

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），系统性地揭示了现有数据的“评测陷阱”，构建出更可靠的评测基准和高质量训练数据，并探索出一套简洁有效的算法优化。得益于这些贡献，仅8B 参数的 TimeLens 模型成为了开源模型中的新 SOTA，更击败了 GPT-5 和 Gemini-2.5-Flash 等闭源巨头。

• 论文标题：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

核心洞察：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，团队发现，在 VTG 领域，燃料的质量却令人担忧。

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 等主流基准进行了严格的人工核验，发现这些基准数据集中充斥着大量的标注错误。许多样本中的文本描述模糊不清，或是文本描述的事件在视频中根本未出现。标注方面，也存在大量的时间边界标注错误，或是同一描述对应了视频中的多个片段却只标注了其中之一（漏标）。统计数据显示，这些错误在现有基准中的比例极高。

2. TimeLens-Bench：对评估结果的“拨乱反正”

为了解决现有数据集中存在的严重错误，团队构建了严格的标注准则，对上述三个基准数据集进行了全面的修复和重新标注，推出了TimeLens-Bench。这是一个经过严格交叉验证的高质量评测基准，能够更真实地反映模型的时序定位能力。

将 TimeLens-Bench 和原始 Benchmark 上的评测结果进行对比，揭露了过往评估结果的不可靠—— 旧基准严重高估了开源模型的能力，而掩盖了前沿闭源模型（如 Gemini）的真实水平。TimeLens-Bench 对这一错误进行了拨乱反正，事实上，现有开源模型仍明显落后于闭源模型。

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，对训练数据进行了大规模的清洗和重标，发布了高质量的大型训练数据集 TimeLens-100K。实验证明，数据质量的提升能带来显著的性能增长。

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 任务上的算法设计进行了全方位的消融实验，从时间戳编码到训练范式，总结出一套简洁有效的 “最佳实践”。

1. 简洁有效的时间戳编码

时间戳编码（timestamp encoding）是 VTG 任务中的关键模型结构设计，决定了模型能否准确地感知到输入的每一视频帧的采样时间。

团队全面地对比了各种时间戳编码方式的优劣。实验结果表明，最优的时间戳编码方式是简单的交错文本编码（Interleaved Textual Encoding） 策略，即在每一帧的视觉 Token 前插入文本形式的时间戳 token。这种方法无需修改 LLM 的底层架构，保证了实现上的简洁，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 等一系列工作的提出，带有可验证奖励机制的强化学习（RLVR）范式在提升模型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关键问题尚无定论：

• 有监督微调（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，是否明显优于 SFT？
• 时序定位任务是一个以感知 (Perception) 而非推理 (Reasoning) 为主的任务。针对这样的任务进行 RLVR 训练时，显式的思考过程（thinking）是否是必须的？
• SFT+RLVR 的多阶段训练，是否比单阶段训练的效果更好？

TimeLens 对比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 训练范式在计算效率和性能上均取得了最优。该范式直接让模型输出定位结果，并根据定位准确率（IoU）给予奖励。这种方式不需要生成冗长的中间思考过程，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。

这一结果表明，对于时序定位这种偏向感知（Perception-heavy）的任务，显式的思考过程不是必须的。 模型可以直接学习从任务输入到输出的映射，不需要进行复杂的逻辑推理。

3. 关键训练技巧：Early Stopping 与 Difficulty-based Sampling

针对Thinking-free RLVR范式，团队进行了更加深入的实验探究，发现了两个关键的训练技巧。

首先，与 SFT 中 “训练越久越好” 的共识不同，在 RL 训练中，当奖励指标进入平台期后，就应该采用早停策略（Early Stopping） 立即停止训练，在该阶段之后继续训练反而会使得模型的性能下降。

其次，基于难度的数据采样（Difficulty-based Sampling） 至关重要。即使数据的标注质量有保证，也并非所有的数据都适合用于 RLVR 训练。需要预先使用待训练的模型进行推理，评估每个训练样本的难度，采样足够具有挑战性的样本进行 RLVR 训练，才能最大程度上提升模型的性能。

实验验证：8B 模型逆袭闭源巨头

研究团队将上述数据和算法层面的所有改进聚合在了一起，每一项技术都带来了明显的性能提升，最终得到了 TimeLens 系列模型。

评测结果表明，TimeLens-8B 展现出了惊人的性能，不仅大幅超越了 Qwen3-VL 等开源模型成为新的开源 SOTA，更以 8B 的参数量，在多项核心指标上全面击败了 GPT-5 和 Gemini-2.5-Flash 等前沿的闭源模型。

这一结果有力地证明了：在 VTG 任务中，通过系统性地提升数据质量并采用有效的算法设计，开源小尺寸模型完全具备挑战甚至超越闭源大模型的能力。

总结

TimeLens 的贡献不止于一个 SOTA 开源模型。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方法论与设计蓝图。

目前，TimeLens 的代码、模型、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。