EventCoT：用于推理时序定位的以事件为中心的视频思维链

推理时序定位（RTL）要求模型在单一响应中联合生成包含支持性时间间隔的答案，需兼顾高层推理与精确时序基础。为此，本文提出首个以事件为中心的视频思维链框架 EventCoT。该框架首先对输入视频进行以事件为中心的标记化，转化为紧凑的事件令牌以高效识别相关问题事件；随后在已识别事件内进行推理生成答案，并通过嵌入匹配将占位符令牌与视觉嵌入对齐以实现时间间隔基础。EventCoT 在 ActivityNet-RTL 基准上取得最先进结果，且视觉令牌用量显著少于前人工作。此外，在 ReXTime 基准上的零样本评估也验证了其强大的通用性能。