检索任意相关时刻：通用时刻检索基准与模型

视频时刻检索（VMR）旨在在视频中定位与自然语言查询对应的时间段，但通常仅假设每个查询对应单个匹配时刻。这种假设在实际场景中不总是成立，查询可能对应多个或没有时刻。因此，我们提出了通用时刻检索（GMR），一种需要检索完整相关时刻集合或预测空集合的统一设置。为支持 GMR 的系统性研究，我们引入 Soccer-GMR，一个构建于具有挑战性足球视频的数据集，反映一般 GMR 场景，包含真实的负面和正面查询。该基准通过一种具备可调 duration 的半自动管道构建，包含人工验证，实现了可扩展的数据生成同时保持高质量标注。我们进一步设计了统一的评估协议，包含针对 null-set rejection、positive-query localization 和 end-to-end GMR 性能的互补指标。最后，我们在两种建模范式下建立了强大的基线：为判别式 VMR 模型设计的轻量级即插即用 GMR 适配器，以及为细调多模态大型语言模型（MLLM）设计的 GMR 量身定制的 GRPO reward。大量实验表明，所有指标均实现了一致的提升，并揭示了当前方法的关键局限性，将 GMR 定位为更真实和更具挑战性的视频语言理解基准。