TEMPO：通过难度调度和预训练 Align 来优化视频大语言模型的时间偏好

本研究针对视频大语言模型（Video LLMs）在时间推理方面的局限性，提出了一种系统框架TEMPO（时间偏好优化），通过直接偏好优化（DPO）来增强其时间推理能力。我们引入了一种自动化的偏好数据生成管道，系统性地构建偏好对，并通过丰富的时间信息视频的选择来优化模型，从而显著提升了视频大语言模型的性能。