精选理由
做多模态视觉推理或时序变化检测的团队，这个新基准和基线模型值得关注——它填补了LVLM在时序推理上的空白，可以直接用来评估和提升模型能力。
多时序指代分割（MTRS）是一项新任务，要求模型从多时序图像中分割出语言描述的时间变化。研究团队提出了CRAFT-Agent自动化数据构建流程，并构建了首个基准MTRefSeg-21K，包含2.1万高质量三元组。现有视觉语言模型在该任务上表现不佳，为此团队提出了MTRefSeg-R1框架，采用两阶段训练策略，先学习通用时序变化感知，再微调实现细粒度语言引导定位。实验表明，MTRefSeg-R1显著优于现有基线，揭示了多时序视觉推理的挑战与潜力。
AI 翻译 · 中文
多时序指代分割（MTRS）是一项新任务，要求模型从多时序图像中分割出语言描述的时间变化。研究团队提出了CRAFT-Agent自动化数据构建流程，并构建了首个基准MTRefSeg-21K，包含2.1万高质量三元组。现有视觉语言模型在该任务上表现不佳，为此团队提出了MTRefSeg-R1框架，采用两阶段训练策略，先学习通用时序变化感知，再微调实现细粒度语言引导定位。实验表明，MTRefSeg-R1显著优于现有基线，揭示了多时序视觉推理的挑战与潜力。
Large Vision-Language Models (LVLMs) have shown strong visual understanding and language-guided grounding abilities, yet their capacity for multi-temporal visual reasoning remains underexplored. To bridge this gap, we in…