资讯摘要
论文提出 Temporal Chain of Video Primitives（TCoVP），一种将查询相关观察组织为按时间排序推理链的视频思维链形式。每个基元把实体引用与时间支撑、带时间戳的空间证据关联，并以语言穿插引导判断相关实体、事件发生时间及证据位置，所选目标基元再为视频掩码预测提供框提示与时间支撑。作者构建 TCoVP-SFT-15k 与 TCoVP-RL-13k，通过监督微调和链对齐强化学习学习该表示。
要点速读
- 论文指出纯文本 CoT 无法显式给出视觉引用，存在语言推理与跨帧证据之间的视频引用鸿沟。
- TCoVP 将实体引用、时间支撑和带时间戳的空间证据组织为按时间排序的推理链，并为掩码预测提供框提示。
- 作者报告在五个 VRS 基准和三个模型骨干上的实验显示 TCoVP 表现较强，并称将公开模型与代码。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/21 01:00:13（北京时间）。