StoryTR：结合心智理论推理的叙事中心视频时序检索

当前的视频时刻检索（moment retrieval）擅长以动作为中心的任务，却难以处理叙事内容。模型能看见\textit{正在发生什么}，却无法推理\textit{它为何重要}。这一语义鸿沟源于\textbf{心智理论（Theory of Mind, ToM）}的缺失——即从表层观察推断隐含意图、心理状态与叙事因果的认知能力。我们提出\textbf{StoryTR}，首个要求ToM推理的视频时刻检索基准，包含来自叙事类短视频（shorts/reels）的8.1k样本。这类视频是理想的测试平台：其高信息密度通过微妙的多模态线索编码含义。例如，配合一声叹息的一瞥与单独的一瞥承载完全不同的语义。然而仅有多模态感知并不足够，需要ToM才能解读出角色"微笑"可能实际上是在"掩饰敌意"。为教会模型这种推理能力，我们提出一个\textbf{Agentic Data Pipeline}，生成带有显式三层ToM链（意图解码、叙事推理、边界定位）的训练数据。实验揭示了这一推理鸿沟的严重程度：Gemini-3.0-Pro在StoryTR上仅取得0.53的Avg IoU。然而，我们基于ToM引导数据训练的7B \textbf{Shorts-Moment}模型较基线提升15.1%的相对IoU，证明\textit{叙事推理能力比参数规模更重要}。