从预测到落地：从预测性时间感知到视频时间定位的证据驱动推理

当前视频大模型在视频时间定位任务中，常因直接从非结构化视觉 token 流生成时间戳而导致数值脆弱和边界不一致。为此，本文提出 Foresee-to-Ground (F2G) 框架，将该任务重构为可验证的“先识别后测量”问题。F2G 融合预测性时间感知与证据驱动推理，学习边界敏感的时间表示以构建候选事件段的视频级证据池，并将这些片段作为可引用的证据单元暴露给大模型，从而将边界预测与明确的事件假设绑定。通过解耦事件识别与精确边界测量，F2G 稳定了定位过程并使预测可验证。实验表明该方法显著提升了定位精度且具有鲁棒性。