Time-R1: Post-Training Large Vision Language Model for Temporal Video Grounding
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wang, Ye, Wang, Ziheng, Xu, Boshen, Du, Yang, Lin, Kejun, Xiao, Zihan, Yue, Zihao, Ju, Jianzhong, Zhang, Liang, Yang, Dingyi, Fang, Xiangnan, He, Zewen, Luo, Zhenbo, Wang, Wenxuan, Lin, Junqi, Luan, Jian, Jin, Qin |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Video-OPD: Efficient Post-Training of Multimodal Large Language Models for Temporal Video Grounding via On-Policy Distillation
par: Li, Jiaze, et autres
Publié: (2026)
par: Li, Jiaze, et autres
Publié: (2026)
TimeViper: A Hybrid Mamba-Transformer Vision-Language Model for Efficient Long Video Understanding
par: Xu, Boshen, et autres
Publié: (2025)
par: Xu, Boshen, et autres
Publié: (2025)
StreamPro: From Reactive Perception to Proactive Decision-Making in Streaming Video
par: Li, Ao, et autres
Publié: (2026)
par: Li, Ao, et autres
Publié: (2026)
Do Egocentric Video-Language Models Truly Understand Hand-Object Interactions?
par: Xu, Boshen, et autres
Publié: (2024)
par: Xu, Boshen, et autres
Publié: (2024)
REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
par: Li, Jiaze, et autres
Publié: (2025)
par: Li, Jiaze, et autres
Publié: (2025)
Restoring Exploration after Post-Training: Latent Exploration Decoding for Large Reasoning Models
par: Tan, Wenhui, et autres
Publié: (2026)
par: Tan, Wenhui, et autres
Publié: (2026)
LLaVA-SG: Leveraging Scene Graphs as Visual Semantic Expression in Vision-Language Models
par: Wang, Jingyi, et autres
Publié: (2024)
par: Wang, Jingyi, et autres
Publié: (2024)
Video Streaming Thinking: VideoLLMs Can Watch and Think Simultaneously
par: Guan, Yiran, et autres
Publié: (2026)
par: Guan, Yiran, et autres
Publié: (2026)
Xiaomi MiMo-VL-Miloco Technical Report
par: Li, Jiaze, et autres
Publié: (2025)
par: Li, Jiaze, et autres
Publié: (2025)
Think Silently, Think Fast: Dynamic Latent Compression of LLM Reasoning Chains
par: Tan, Wenhui, et autres
Publié: (2025)
par: Tan, Wenhui, et autres
Publié: (2025)
OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding
par: Zheng, Minghang, et autres
Publié: (2026)
par: Zheng, Minghang, et autres
Publié: (2026)
MSJoE: Jointly Evolving MLLM and Sampler for Efficient Long-Form Video Understanding
par: Tan, Wenhui, et autres
Publié: (2026)
par: Tan, Wenhui, et autres
Publié: (2026)
Think-Clip-Sample: Slow-Fast Frame Selection for Video Understanding
par: Tan, Wenhui, et autres
Publié: (2026)
par: Tan, Wenhui, et autres
Publié: (2026)
What Matters in Evaluating Book-Length Stories? A Systematic Study of Long Story Evaluation
par: Yang, Dingyi, et autres
Publié: (2025)
par: Yang, Dingyi, et autres
Publié: (2025)
A Machine Learning Approach to Detect Strategic Behavior from Large-Population Observational Data Applied to Game Mode Prediction on a Team-Based Video Game
par: Wang, Boshen, et autres
Publié: (2024)
par: Wang, Boshen, et autres
Publié: (2024)
Visual Para-Thinker: Divide-and-Conquer Reasoning for Visual Comprehension
par: Xu, Haoran, et autres
Publié: (2026)
par: Xu, Haoran, et autres
Publié: (2026)
Federated Joint Learning for Domain and Class Generalization
par: Xu, Haoran, et autres
Publié: (2026)
par: Xu, Haoran, et autres
Publié: (2026)
Movie101v2: Improved Movie Narration Benchmark
par: Yue, Zihao, et autres
Publié: (2024)
par: Yue, Zihao, et autres
Publié: (2024)
Contrast-Unity for Partially-Supervised Temporal Sentence Grounding
par: Wang, Haicheng, et autres
Publié: (2025)
par: Wang, Haicheng, et autres
Publié: (2025)
Q-Frame: Query-aware Frame Selection and Multi-Resolution Adaptation for Video-LLMs
par: Zhang, Shaojie, et autres
Publié: (2025)
par: Zhang, Shaojie, et autres
Publié: (2025)
RefereeBench: Are Video MLLMs Ready to be Multi-Sport Referees
par: Xu, Yichen, et autres
Publié: (2026)
par: Xu, Yichen, et autres
Publié: (2026)
Think, Act, Build: An Agentic Framework with Vision Language Models for Zero-Shot 3D Visual Grounding
par: Wang, Haibo, et autres
Publié: (2026)
par: Wang, Haibo, et autres
Publié: (2026)
Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos
par: Zhou, Yufan, et autres
Publié: (2025)
par: Zhou, Yufan, et autres
Publié: (2025)
Enhancing Trustworthy GUI Grounding via Self-Critiqued Reinforcement Learning
par: Zhang, Shaojie, et autres
Publié: (2025)
par: Zhang, Shaojie, et autres
Publié: (2025)
Spatio-Temporal Difference Guided Motion Deblurring with the Complementary Vision Sensor
par: Meng, Yapeng, et autres
Publié: (2026)
par: Meng, Yapeng, et autres
Publié: (2026)
Moment Quantization for Video Temporal Grounding
par: Sun, Xiaolong, et autres
Publié: (2025)
par: Sun, Xiaolong, et autres
Publié: (2025)
QVGGT: Post-Training Quantized Visual Geometry Grounded Transformer
par: Pan, Zhizhen, et autres
Publié: (2026)
par: Pan, Zhizhen, et autres
Publié: (2026)
MLVTG: Mamba-Based Feature Alignment and LLM-Driven Purification for Multi-Modal Video Temporal Grounding
par: Zhu, Zhiyi, et autres
Publié: (2025)
par: Zhu, Zhiyi, et autres
Publié: (2025)
ALPHAGMUT: A Rationale-Guided Alpha Shape Graph Neural Network to Evaluate Mutation Effects
par: Wang, Boshen, et autres
Publié: (2024)
par: Wang, Boshen, et autres
Publié: (2024)
HawkEye: Training Video-Text LLMs for Grounding Text in Videos
par: Wang, Yueqian, et autres
Publié: (2024)
par: Wang, Yueqian, et autres
Publié: (2024)
Detector-Empowered Video Large Language Model for Efficient Spatio-Temporal Grounding
par: Gao, Shida, et autres
Publié: (2025)
par: Gao, Shida, et autres
Publié: (2025)
TimeRefine: Temporal Grounding with Time Refining Video LLM
par: Wang, Xizi, et autres
Publié: (2024)
par: Wang, Xizi, et autres
Publié: (2024)
GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding
par: Fan, Rong, et autres
Publié: (2026)
par: Fan, Rong, et autres
Publié: (2026)
A Temporal Modeling Framework for Video Pre-Training on Video Instance Segmentation
par: Zhong, Qing, et autres
Publié: (2025)
par: Zhong, Qing, et autres
Publié: (2025)
PVG: Progressive Vision Graph for Vision Recognition
par: Wu, Jiafu, et autres
Publié: (2023)
par: Wu, Jiafu, et autres
Publié: (2023)
What Makes a Good Story and How Can We Measure It? A Comprehensive Survey of Story Evaluation
par: Yang, Dingyi, et autres
Publié: (2024)
par: Yang, Dingyi, et autres
Publié: (2024)
SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training
par: Wang, Jianyi, et autres
Publié: (2025)
par: Wang, Jianyi, et autres
Publié: (2025)
Training-free Video Temporal Grounding using Large-scale Pre-trained Models
par: Zheng, Minghang, et autres
Publié: (2024)
par: Zheng, Minghang, et autres
Publié: (2024)
TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs
par: Zhang, Jun, et autres
Publié: (2025)
par: Zhang, Jun, et autres
Publié: (2025)
Efficient Temporal Extrapolation of Multimodal Large Language Models with Temporal Grounding Bridge
par: Wang, Yuxuan, et autres
Publié: (2024)
par: Wang, Yuxuan, et autres
Publié: (2024)
Documents similaires
-
Video-OPD: Efficient Post-Training of Multimodal Large Language Models for Temporal Video Grounding via On-Policy Distillation
par: Li, Jiaze, et autres
Publié: (2026) -
TimeViper: A Hybrid Mamba-Transformer Vision-Language Model for Efficient Long Video Understanding
par: Xu, Boshen, et autres
Publié: (2025) -
StreamPro: From Reactive Perception to Proactive Decision-Making in Streaming Video
par: Li, Ao, et autres
Publié: (2026) -
Do Egocentric Video-Language Models Truly Understand Hand-Object Interactions?
par: Xu, Boshen, et autres
Publié: (2024) -
REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
par: Li, Jiaze, et autres
Publié: (2025)