**Event-STVG：面向长视频的事件级时空定位新基准与推理挑战**

_Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning_

> 针对现有时空视频定位（STVG）任务缺乏长程推理能力的不足，本文提出了 Event-STVG 新任务，旨在通过统一长上下文、重复事件推理、事件定位及角色推断，实现复杂事件在时空维度的联合定位。研究构建了涵盖足球等八个领域共 4016 个标注事件的基准数据集，实验表明当前最先进的多模态大模型（MLLM）在该任务上表现仍面临巨大挑战，最强模型在 10 分钟视频中的平均视频交并比（m-vIoU）仅为 5.4%，揭示了 MLLM 在复杂时空事件理解上的瓶颈。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.22444)