精选理由
做长视频理解或视频检索的开发者会发现，当前 Video-LLM 在小时级视频上几乎不可用，而简单的检索基线反而更有效——这个反直觉结论值得点开看看，或许能帮你重新设计系统架构。
该研究指出，在小时级长视频中，自然语言时间定位（Temporal Grounding）的核心瓶颈是搜索而非识别。现有视频大模型（Video-LLMs）在短片上表现良好，但在小时级视频中因无法高效搜索相关区域而崩溃。作者发布了首个开放域小时级时间定位基准 ExtremeWhenBench（194个视频，平均75.7分钟，最长9小时，2273条查询），发现所有开源 Video-LLM 均不如简单的帧级检索基线。失败分析显示85%的错误源于搜索失败，而“检索-定位”混合方法比单一 Video-LLM 提升6.7倍，类似于开放域问答中的“检索-阅读”范式。
AI 翻译 · 中文
该研究指出，在小时级长视频中，自然语言时间定位（Temporal Grounding）的核心瓶颈是搜索而非识别。现有视频大模型（Video-LLMs）在短片上表现良好，但在小时级视频中因无法高效搜索相关区域而崩溃。作者发布了首个开放域小时级时间定位基准 ExtremeWhenBench（194个视频，平均75.7分钟，最长9小时，2273条查询），发现所有开源 Video-LLM 均不如简单的帧级检索基线。失败分析显示85%的错误源于搜索失败，而“检索-定位”混合方法比单一 Video-LLM 提升6.7倍，类似于开放域问答中的“检索-阅读”范式。
Temporal grounding--returning the interval $[t_s, t_e]$ for a natural-language query over a video--is the language interface to long-form video, yet has been studied on short videos; the dynamics of hour-scale natural-la…