标签
本文介绍了 GigaChat Audio，一个时间感知的大型音频语言模型，能够对长达120分钟的音频回答问题并给出明确的时间戳，使用交错周期性时间标记和合成监督。该模型在基准测试中实现了强时间定位准确性，作者已发布模型权重和数据集。
VideoSearch-R1 引入了一种智能体框架，该框架通过连续潜在空间优化和策略优化，迭代式地检索视频并优化搜索查询，在视频语料库时刻检索和时间定位任务上取得了最先进的性能。
本文介绍了一对多时序定位（OMTG）这一新任务，用于从单个文本查询中定位多个不连续的视频片段，同时提供了基准、评估指标、包含56k样本的数据集以及新颖的奖励函数，取得了最新最优的结果，优于Gemini 2.5 Pro和Seed-1.8。
MusTBench是一个用于评估大型音频-语言模型（LALMs）在音乐理解中的时间定位能力的基准。作者提出了MusT，一种四阶段训练方案，能显著提升现有模型的时间定位性能。
OmniInteract 提出了一个面向实时全模态大语言模型的流式基准测试，评估在线音视频处理能力，要求具备时间定位和交互式响应。实验表明，当前模型表现不佳，最佳整体 IA-QTF1 分数仅为 0.368。
LLaVA-OneVision-2 引入了编解码流分词和窗口注意力机制以实现高效的视频理解，在包括视频、空间和跟踪任务在内的多个多模态基准测试中取得了最先进的性能。
NemoStation/Marlin-2B 是基于 Qwen3.5-2B 微调的模型，用于视频-文本到文本任务，支持视频字幕生成和时间定位。