人大与快手Kling团队发布EventLens:用事件结构强化学习补齐视频时序理解
Guowen Zhang · hf · 2026-10-14
中国人民大学 AIM3 Lab 与快手 Kling AI 团队发布论文 EventLens，针对多模态大模型在视频问答中难以恢复时序结构的问题（合并相邻事件、遗漏单事件进程、推断不合理跨事件关系）。
核心思路
- 作者认为问题根源在于现有后训练目标与时序推理不匹配：字幕式监督让模型依赖语言捷径而非视觉时序锚定。
- EventLens 是一个以视觉为中心的强化学习框架，让模型在受控扰动（改变时间粒度、倒放进程、打乱事件顺序）下恢复事件时序结构，而非重建字幕。
方法要点
- 基于三级时序本体构建三类可验证任务：事件分割、进程判别、多事件关系推理，奖励确定性，无需人类偏好标签或习得奖励模型，可用任务专属 GRPO 训练。
- 引入多教师在线策略蒸馏（MT-OPD），将多个任务专属策略整合进统一模型。
结果
- 在 Qwen3-VL 骨干上的实验显示，时序定位与事件敏感推理基准持续提升，同时保持通用视频问答性能；学习曲线表明相比直接混合 RL 优化，训练成本显著降低。
「多模态」频道最新
- Lightricks 推出 APEX：层级潜空间+异步去噪，实现 64-128 倍极致压缩 — Lightricks · 2026-10-14
- 中国 AI 短剧泛滥反噬：观众审美疲劳弃看，真人短剧也被拖累 — TuhinChakr · 2026-10-14
- 4090 全本地跑通 8 分钟 sitcom：一条 prompt 全自动出片 — teachersecret · 2026-10-14
- AI 生成环境图：光照该在出图阶段还是最终生成阶段加？ — robertwellesley · 2026-10-14
- 网友为 Qwen Image 2.1 训练动漫 Q 版风格 LoRA 并开源 — Unusual-Customer713 · 2026-10-14
- 开源无界面视频编辑器 kimo v3：模型纯靠 MCP 工具剪出 2 分钟成片 — LieTop7965 · 2026-10-14