# VideoTG-R1: Boosting Video Temporal Grounding via Curriculum Reinforcement Learning on Reflected Boundary Annotations

- 年份：2025
- 阅读深度：重点章节阅读
- 官方链接：https://arxiv.org/html/2510.23397

## 摘要（中文转述）

VideoTG-R1 在视频时间定位中先用边界反思模块识别含糊、不完整或不可靠的标注，再依据样本难度组织训练，并通过格式和时间区间重叠奖励进行 GRPO。论文强调经过筛选的少量高质量边界样本可以比直接使用全部数据更有效，并降低训练成本。

## 与当前项目的关系

对 EasyCom/Ego4D 最重要的启示可能是标签和边界质量，而不是 RL 本身。下一步应先检查转换附近的标注延迟、音视频同步和窗口歧义，再比较 transition oversampling、课程采样与损失重加权。只有监督式数据治理达到上限后，RL 的增量才容易解释。