迈向长形式体育视频中的时间组合推理

体育视频因涉及复杂动态的人类活动，成为多模态理解的挑战领域。尽管多模态大语言模型进展迅速，但长程推理仍显困难，因其需定位稀疏的时间证据并进行整合。为此，本文推出大规模基准 SportsTime，包含大量开放问答及时间证据标注。基于此，提出时间链推理（CoTR）方法，将推理视为时间接地证据的组合过程。训练时引入时间奖励机制，推理时采用“锚定 - 观察 - 推断”循环以迭代定位和验证证据。实验证明该方法显著提升了时间组合推理能力及接地质量。