10% 预算召回从 9.95 到 14.42：阿里给生成式定位加区间置信度

10% 预算召回从 9.95 到 14.42：阿里给生成式定位加区间置信度

Grounding with Confidence 的作者里有阿里巴巴集团。arXiv 提交日是 2026-09-30，许可证 CC BY 4.0。这次核对的 HTML 是 v4，页眉日期写成 2026-10-10，下面的表都来自这一版。阿里一侧包括 Jinhao Chen、Benlei Cui、Ruijian Jia、Ziheng Wang、Pengfei Sun、Longtao Huang、Hui Xue、Yitong Yang 和 Haiwen Hong。Chen 同时挂北京航空航天大学，Wang 同时挂复旦大学。

视频时间定位是按自然语言找出事情发生的时间段。生成式模型通常直接吐出时间戳，没有区间级的置信分。这篇把生成和接受拆开：解码过程里用一个小头，读池化后的解码器状态，给每个区间打分。离线阶段用验证器分数监督固定候选；强化学习时再用时间重叠标签适应当前采样。推理时不再另叫外部验证器，同一分数用来排序、卡阈值和拒绝。

同一批候选，只改怎么挑

OMTG-Bench 有 320 条查询、287 个视频、1173 个官方真值区间。模型从 TimeLens2-4B 起步。SFT 用 60405 条训练单元，RL 用 8424 条查询。置信头把 2560 维状态收到 256 维，再出一个 logit。视觉侧是每秒 2 帧。解码是贪心，最多 512 个 token、32 个候选，再按生成顺序做交并比 0.3 的 NMS。NMS 是去掉互相重叠的候选。

表 1 把 RL 模型已经生成的 1314 条 NMS 幸存候选冻住，只换排序。预算是全基准共享的返回比例，不是每条查询各给一份。官方口径是 320 条查询的宏平均 Recall@0.5，没回答的查询也算进分母。

10% 预算：按生成顺序 9.95，用 token 对数概率 9.41，用 2B 验证器 11.00，用置信头 14.42。25% 时四者是 26.48、22.37、26.31、31.12。50% 是 51.34、43.05、47.72、52.82。75% 是 64.76、61.00、62.45、65.30。对数概率每一档都低于生成顺序。置信度相对顺序的提升，在 10% 和 25% 上的配对自助区间是 [2.30, 6.04] 和 [2.26, 7.09]。预算放宽后，挑选的空间变小，75% 时 65.30 只比 64.76 高 0.54。

端到端：阈值是在测试集上选的

表 2 是多事件定位的官方指标。带 † 的行用一个全局阈值，把测试集上的 tF1@0.5 调到最高。作者写明这是测试神谕，不是已经验证过的上线阈值。已发表的基线仍用它们原来的规则。RL 检查点也是在看过基准反馈之后选的。测试标签不进模型输入、梯度或奖励，但进了离线指标和选阈值。

TimeLens2-4B 的计数准确率 C-Acc 是 18.75，tF1@0.3 是 53.02，tF1@0.5 是 43.89，tIoU 是 48.73，EtF1 是 14.29。本文 SFT† 是 51.88、72.40、64.54、60.75、40.26。RL† 是 53.75、75.92、67.39、63.24、42.64。相对 SFT，RL 的 tF1@0.3、tF1@0.5、tIoU 提高 3.52、2.85、2.49。OMTG-4B 的 C-Acc 55.63 和 EtF1 43.65 仍高于 RL 的 53.75 和 42.64。

表 3 把同一条解码结果拆开看。SFT 原始召回 67.85、tF1 34.65；NMS 之后召回 65.06、tF1 64.17；再加置信阈值是 64.92 和 64.54。RL 三步是 73.64 / 41.39、70.51 / 67.07、70.10 / 67.39。RL 把平均候选数从 11.18 降到 8.99，召回上升不是靠多生成。NMS 拿走了大部分 F1。在已经 NMS 的 RL 池上，置信过滤只再加 0.32 个 tF1，配对区间是 [-0.14, 0.76]，跨过 0。

阈值能不能搬走是另一件事。在 512 个与测试视频不相交的校准视频上，按 80% 和 90% 的经验微精度选阈值，原样用到 OMTG-Bench，精度掉到 71.71%（654/912）和 86.89%（391/450）。微召回分别是 55.75% 和 33.33%。两个目标都没有保住。作者还写明，这批校准视频此前被项目分析用过。

合成不匹配上的拒绝

表 4 给 Charades、ActivityNet、QVHighlights 的匹配查询各配一条跨视频的不匹配问句。这些负例不是官方标注，也没有人工逐条确认「确实没有」。提示允许输出空。本文模型留下置信度最高的 NMS 幸存区间，再卡一个全基准的阈值；TimeLens2 仍用原规则。阈值同样是测试集上 F1 最优。

Charades 上 TimeLens2-4B 的 F1@0.5 是 44.24，误报率 91.17。SFT 是 46.81 和 36.01，RL 是 49.87 和 21.35。ActivityNet 上 4B 是 47.38 和 66.04，RL 是 48.78 和 13.24。QVHighlights 上 4B 是 54.95 和 71.64；SFT 是 57.67 和 16.87，RL 是 56.52 和 18.95。SFT 的 F1 高于 RL，误报率更低。所以 RL 不是三套数据都更好。作者给出的 RL 误报率范围是 13.24 到 21.35，对照的是 4B 原生规则的 66.04 到 91.17，两边的接受规则不一样。

限制

固定候选池上的排序收益，不能写成端到端 F1 也有同样的幅度。表 3 里置信过滤的 0.32 个点，区间包含 0。表 2 和表 4 的阈值看过测试集。校准阈值没有迁到目标精度。置信分依赖已经留下的候选，补不回没生成或被 NMS 压掉的区间。合成负例不能当成真实的「视频里没有这件事」。计数准确率和 EtF1 仍低于 OMTG-4B。当前读到的正文是 v4。

阿里巴巴集团，Jinhao Chen、Benlei Cui 等，Grounding with Confidence: Controllable Generative Video Temporal Grounding，2026-09-30，https://arxiv.org/abs/2609.39883