base_model:

• Qwen/Qwen2.5-VL-3B-Instruct datasets:
• andaba/TEMPURA-VER library_name: transformers tags:
• text-generation-inference pipeline_tag: video-text-to-text

TEMPURA：面向行为推理的时间事件掩码预测与理解框架

TEMPURA通过将因果推理与细粒度时间分割相结合，显著提升了视频时序理解能力。该框架采用两阶段训练范式：第一阶段通过掩码事件预测推理重构缺失事件并生成因果解释；第二阶段学习视频分割与密集描述技术，将视频解构为无重叠事件并生成时间戳对齐的详细描述。该模型在VER大规模数据集（含100万训练实例、50万视频）上训练，数据包含时序对齐的事件描述与结构化推理步骤。在时序定位和高光检测基准测试中，TEMPURA性能超越现有强基线模型。

项目主页 | arXiv预印本 | VER数据集 | Github仓库

模型权重

• TEMPURA-Qwen2.5-VL-3B-s1
• TEMPURA-Qwen2.5-VL-3B-s2

引用TEMPURA

若您认为我们的论文或数据集有价值，请考虑引用：

@article{tempura,
       title={TEMPURA：面向行为推理的时间事件掩码预测与理解框架}, 
       author={郑仁豪、王薇薇、王华宇、周华鹏、彭奕皓、刘厚义
              黄翔伟、陈光明、杨承彦
              柴文浩、陈怡伶、Vibhav Vineet、蔡沁、黄仁勋},
       journal={arXiv预印本 arXiv:2505.01583},
       year={2025}
}