StoryTR：基于心智理论推理的以叙事为中心的视频时间检索

当前视频时刻检索擅长动作任务却难以理解叙事内容，根源在于缺乏心智理论（ToM）以推断隐含意图与叙事因果。本文提出 StoryTR，首个需 ToM 推理的视频检索基准，包含 8.1k 个叙事短视频样本。为赋予模型此能力，作者设计了代理数据管道，生成显式的三层 ToM 链（意图解码、叙事推理、边界定位）。实验表明，经 ToM 引导数据训练的模型显著优于基线，证明叙事推理能力比参数规模更关键。