已收录文章摘要，完整内容可前往原文阅读。
长视频理解正在成为多模态大模型的重要能力。用户不再只问“视频里有什么”，而是希望模型能进一步回答：这个事件从什么时候开始？到什么时候结束？这类任务被称为视频时序定位（Video Temporal Gr