长达一小时的视频中的自然语言时间基础是一个搜索问题：基准和经验分解

时间基础（针对视频自然语言查询返回间隔 $[t_s, t_e]$）是长视频的语言接口，但已在短视频上进行了研究；小时尺度自然语言基础的动态仍未得到充分探索。我们采取的立场是，在小时尺度上，绑定约束是搜索，而不是识别：Video-LLM 的瓶颈不是通过定位附近的事件，而是通过搜索长视频的相关区域（给定自然语言查询）来实现。为了测试这一点，我们发布了 ExtremeWhenBench，这是第一个开放的小时规模的基础基准（194 个视频中的 2,273 个查询，平均 75.7 分钟，最长 9 小时），具有开放形式的查询分布。每个打开的 Video-LLM 都会崩溃，而帧级检索基线的性能优于它们；失败分类将 85% 的失败归因于搜索；检索然后地面混合恢复比单片 Video-LLM 提高 6.7 倍——在开放域 QA 中镜像检索然后读取。