Hugging Face · 每日论文· 媒体 / 作者来源·精选
Event-STVG：面向长时事件推理的时空视频定位基准
原文标题
Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning
AI 导读
论文提出Event-STVG任务，把时空视频定位从匹配实例描述转向事件级推理，统一长上下文、重复事件推理、事件定位、角色推断与多目标定位。作者构建含4,016个标注事件的基准，覆盖足球及另外七个领域；实验显示最强多模态大模型在10分钟时长上m-vIoU仅5.4%，且反复混淆同类型重复事件、空间定位薄弱、很少能同时定位全部所需角色。代码与标注已开源。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
提出事件级时空定位新任务与4,016事件、八领域基准，给出最强MLLM在10分钟跨度仅5.4% m-vIoU的量化结果及三类失败模式，适用于视频理解评测研究。
导读由模型辅助整理，非独立核验。完整信息见原文。