视频时间定位的时间感知推理优化

多模态大语言模型在视频时间定位任务中虽取得进展，但常生成浅层推理，难以指导精确定位。针对随机探索低效及奖励函数忽视推理质量的问题，本文提出 TaRO 框架。首先，引入建设性推理探索，利用预生成密集描述构建基于视觉线索和时间戳的推理路径；其次，设计时间敏感性奖励，通过事件边界扰动导致的逻辑概率下降来评估推理质量。最后，采用渐进式课程学习，从奖励引导选择过渡到自主自由探索。实验表明，TaRO 在基准测试中达到了最先进水平。