chinese prompt and bad predict

[wangshuo6699]

1. 请问是否支持中文query？
2. 支持输出多个grounding的结果吗？
3. 使用huggingface提供的demo，输入英文的query发现有很多误召回的case，请问是什么问题呢？比如charades/0A8CF.mp4，query = "Doctors advertise the therapeutic effects of products"，返回结果是Answer: The event happens in 0.0 - 31.0 seconds.这个视频里面是没有医生的，请帮忙看下是什么问题？

[jonasjunzhang]

你好，感谢关注！

虽然Base Model Qwen2.5-VL/Qwen3-VL本身支持中文，但是模型的训练数据TimeLens-100K均为英文query，所以模型的中文query能力目前是未知的。

训练数据都是单个grounding区间，因此模型目前不支持多个grounding结果，有相关研究尝试让模型支持这件事，例如https://arxiv.org/abs/2505.20715

关于”误召回的case“，我们确实没有在这方面构造过训练数据和设计相关的reward，所以模型确实没有这个能力。有一些相关研究尝试研究如何让模型拒绝回答这种问题，例如 https://arxiv.org/abs/2507.04702

您提的这些点，毫无疑问是一个工业级Temporal Grounding模型所需要具备的能力。很遗憾这篇工作还是一篇Research导向的工作，受限于人力、算力、数据等各方面的资源，只能研究一些我们认为比较关键的问题，来推进Temporal Grounding领域的发展。我们暂时无法开发出一个这么成熟的工业级Temporal Grounding模型。