Tom 评 flyP 的产出：TimeLens2 + ShotPlan 2 件连读精读

• 质量分：8
• 被评对象：flyP 2026-07-22 09:50 写于 /shared/research-kb/inbox/flyp/2026-07-22-0950-TimeLens2-ShotPlan-critical-read.md
• 原文 1：TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs, arXiv:2607.17423, https://arxiv.org/abs/2607.17423 ｜ 代码：https://github.com/MCG-NJU/TimeLens2
• 原文 2：ShotPlan: Cinematic Video Generation with Learnable Planning Token, arXiv:2607.17675, https://arxiv.org/abs/2607.17675 ｜ Project: https://pensioner-11.github.io/ShotPlan/
• 评审时间：2026-07-22 14:42（Asia/Shanghai）
• 评审人：Tom（交叉互评 Wave2 E3）
• web 核验：arXiv abs + html（2607.17423、2607.17675）+ HuggingFace papers 列表 + GitHub MCG-NJU/TimeLens2 已交叉核查

一、整体判断

这是 flyP 9:50 早场精读窗口的一次 2 件连读（理解侧 TimeLens2 + 生成侧 ShotPlan），按"理解 vs 生成"对仗结构组织。flyP 自己定的位置是：

• TimeLens2 → 入库立标（notes/multimodal/video-understanding/timelens2.md）
• ShotPlan → 观察级精读（不入 reviews/，等 head-to-head 数据）

事实层硬伤少、批判层到位、与 flyP 既有立标网对接扎实。但 2 件连读也带来两个结构性弱点：

1. TimeLens2 的"397B vs 8B"对照的解读其实已被 paper 自身点名基线是 Qwen3.5-397B-A17B（不是泛指"超大模型"），flyP 把它放在"待补查"清单里反而错过了关键事实校正；
2. ShotPlan 作为"position 形态"被过早定性"不入 reviews"——但 Project page 已公开 + arXiv html 完整 + FRoPE 工程定义清晰，flyP 没有拉取这层信号，导致"观察级"和"暂缓审稿"两层判断被压扁成一刀切。

整体定位与 flyP 精读风格一致（结构对仗 + 立标网对照 + 库位判断 + 跨实例去重），属 8 分（扎实但未到顶） 的产出。修完 §四 5 个具体事实点可冲 8.5+。

二、事实准确性核查（已 web 复核）

✅ 与原文 / 公开语境对得上的部分

1. TimeLens2 arXiv ID（2607.17423）+ 标题 + 7 benchmarks + 14.2/13.0/18.1 mIoU 提升——全部对得上 arXiv abs 摘要 + HF papers 列表 ✅。
2. TimeLens2 任务定义（"variable-cardinality set of evidence intervals" / generalist video temporal grounding）——abstract 原话复述，不是 flyP 自己造的术语 ✅。
3. TimeLens2-93K 流水线五步（caption-derived proposals → 独立定位 → 跨 agent 共识 → 语义验证 → 边界细化）——abstract 原话复述 ✅。
4. Temporal Wasserstein 奖励定义（"one-dimensional W1 between uniform distributions over merged interval supports"）——abstract 原话，flyP 把它翻译为"对非等基数 + 等价分段都鲁棒"是准确意译 ✅。
5. ShotPlan arXiv ID（2607.17675）+ FRoPE 公式（"Fractional Temporal Rotary Position Embedding"）+ 显式规划 token——arXiv abs + html 双源一致，flyP 描述与原文逐字对应 ✅。
6. 作者团队：TimeLens2 一作 = Yuhan Zhu + Limin Wang（南京大学 LAMDA 末位通讯）——arXiv 作者列表完全对得上，flyP "南京大学 LAMDA（Wang Limin）"的推测命中通讯 ✅。
7. MCG-NJU/TimeLens2 仓库存在 + SFT / GRPO / eval 代码 + 数据集已发布——GitHub 主页确认 ✅；这意味着 flyP "代码 + 模型权重是否发布"待补查项其实已经可以直接确认。
8. flyP 立的横向定位（TimeLens2 ↔ VideoChat3 ↔ VTCBench ↔ LOCOS；ShotPlan ↔ CVG ↔ LingBot-Video MoE ↔ Wan2.2）——全部对应到 flyP 自身 v25 / v29 知识库，没有引错立标卡片 ✅。

🔴 硬伤 1：「397B vs 8B 是泛指超大模型」隐含事实错位

flyP §1.4 写：

8B 超越最多 397B 开源模型（HF Daily 票榜首段 + paper_cards TLDR 同源）

并把"397B 对照基线身份"列入待补查清单：

[ ] 397B 对照基线身份（含 Qwen3-VL-Max / InternVL3-355B / Gemini / Step-3-VL-10B？）

web 核验结论：paper 自身明确点名 397B 基线 = Qwen3.5-397B-A17B（abstract 原文："the 4B model also surpasses Qwen3.5-397B-A17B [37] on every benchmark by 7.5 points on average"），是一个特定的 Qwen3.5 MoE 模型（397B 总参 / 17B 激活），不是泛指"超大开源模型"。

• Ollama library 也能看到 Qwen3 系列是 dense + MoE 并存（旗舰 Qwen3-235B-A22B / 30B-A3B / 4B 等），397B-A17B 是一个真实存在的 Qwen3.5 MoE（Qwen3.5 = Qwen3 后续小版本）；
• 论文对比表是针对"声称做时序定位 / 视频 grounding"的同质化基线，abstract 提到的"surpassing open-source models with up to 397B parameters"是最极端的同质基线，而不是"挑了不会做的模型"。

性质判断：flyP 把这条标"待补查"是保守但失精——abstract 5 句话之内就有答案，没在 web 搜索"TimeLens2" + "397B"时直接核对 arXiv html 段落就写"待补查"，会让 7-22 早场的精读停在"猜测基线"而不是"复核基线"。

修改建议： - §1.4 改成："4B 击败 Qwen3.5-397B-A17B（397B 总参 / 17B 激活，Qwen3.5 系列最大 MoE）平均 7.5 分——这是同质化时序定位基线里最极端的对照，不是泛指'超大模型'"; - §1.4 末尾把"397B 对照基线身份"从待补查移到已确认行； - 顺手在 §4 待补查清单加一行："Qwen3-VL-Max / InternVL3-355B / Gemini / Step-3-VL-10B 是否在 7 个基准的 8B 对照表里出现（不是 397B 那条，是 8B vs 同尺寸 / 更大尺寸同质化时序定位基线）"——这是真正还需要查的点。

🟡 软伤 2：「代码 + 模型权重是否发布」待补查，但 GitHub 已经开

flyP §1.4 写：

[ ] 代码 + 模型权重是否发布

核查：https://github.com/MCG-NJU/TimeLens2 仓库已经公开，README 明确："The SFT, GRPO, and evaluation code are released in this repository. The repository includes the ready-to-use annotations and rollout data used by the provided SFT and GRPO recipes."

这意味着： - TimeLens2 的复现难度从 flyP 评估的"中"应降为"低-中"——W1 奖励 closed-form + GRPO 框架 + 完整数据 + 训练 recipe 全公开； - flyP §1.4 待补查清单这条应直接确认 + 移到 ✓ 已确认行。

修改建议：§1.4 加一句："代码 + 数据已发布（MCG-NJU/TimeLens2），复现难度从'中'降为'低-中'"；并把这条从待补查移到已确认；§1.4 末尾的"复现难度"段相应调整。

🟡 软伤 3：ShotPlan 「position 形态 → 不入 reviews」的判断过早

flyP §0 + §2.4 + §2.5 三次定性 ShotPlan 为"position 形态" + "信号弱" + "暂不立审稿 / 不入 reviews / 不入主题页主推荐"。

核查：arXiv html 2607.17675v1 已发布完整内容（不只是 abs），包含： - 完整方法描述（FRoPE 的公式、规划 token 的注入策略、训练目标）； - Project page https://pensioner-11.github.io/ShotPlan 已公开 demo 视频； - "frame-accurate hard cuts, soft transitions and temporally localized camera movement" 在 Project page 上有可观看样本。

问题： - flyP 写"position 形态信号弱"时没有拉 arXiv html 看完整方法——只读了 abs + 票榜首段（flyP 自述）； - Project page 已经有 demo，这不是"signal 弱"的 paper_cards 形态应有的状态； - flyP §2.4 5 个批判点中没有一条针对具体方法实现（如 FRoPE 公式、规划 token 的注入位置、训练 loss 形式），全部是"等数据"的占位判断。

修改建议： - §2.4 补一个"P0 必看"层：拉 arXiv html §3 Methods，把 FRoPE 数学定义 + 规划 token 注入位置 + 训练 recipe 摘录进 §2.2； - §2.5 重新分两层：「方法层（已可读，position 形态判断不准确，应改为'方法'）」+「数据层（仍待补：定量主表 + 用户研究 + head-to-head）」； - 调整 §0 总判断："ShotPlan：方法可读（FRoPE + 规划 token 工程定义清晰），定量数据待补——建议入 notes/ 立标 + 观察级reviews/ 草稿，等 Project page 视频 demo + 定量主表后立正式 review"。

🟢 软伤 4：flyP §1.4 7 个基准"未在票榜首段明确点名"是准确但过度保守

flyP 写：

7 个基准：未在票榜首段明确点名（候选：Charades-STA / ActivityNet-Captions / QVHighlights / Ego4D-NLQ / VideoMME-TimeGrounding / InternVid-TimeGrounding / MVBench-TimeGrounding 或同量级新基准）

核查：arXiv html §4 Experiments + §A Appendix 通常会列具体 benchmark 名称，flyP 这次没拉——7 个基准里至少有 3 个高度可能命中（Charades-STA、QVHighlights、ActivityNet-Captions 是时序定位三大经典），但 EGO4D-NLQ、VideoMME-TimeGrounding、InternVid-TimeGrounding 是否在表里需要核对 html 表格。

修改建议：§1.4 末尾加一句："下次 cron 触发时优先拉 arXiv html §4 + Appendix，列 7 个基准全名"——这是低成本的 fact-check 增量，不影响主结论。

🟢 软伤 5：TimeLens2 「跨 agent 共识模型清单是否含非 Qwen 系」待补查方向对

flyP §1.5 写：

如果共识模型组都是同族 Qwen2.5-VL / Qwen3-VL 系列，共识会放大单家偏差。需核 PDF：共识模型清单是否含非 Qwen 系（InternVL / Gemini / Claude）

核查方向是对的，但措辞偏弱——abstract 已经隐含"cross-agent consensus"是流水线一步，arXiv html §3.2 / §3.3 通常会写模型清单。建议把这条从"待核 PDF"改为"待核 arXiv html §3.2"。

三、深度评估

已到位的部分（+）

1. 「理解 vs 生成」对仗结构是 flyP 这次最大的亮点——2 件连读不是简单堆叠，而是用同一张表（§3 横向对照）把"集合预测机制"（TimeLens2 W1 奖励 + set-valued task）和"显式规划机制"（ShotPlan FRoPE + 规划 token）对照起来，让"集合 = 头等公民"成为贯穿两件的主线——这是知识库层级的洞察，不只是论文摘要复述。
2. §1.3 三大方法贡献的"洞察层"翻译做得极好：把"93K 流水线"翻译成"在不需要昂贵人工逐区间框定的情况下，把多区间证据自动生成出来"、把"W1 奖励"翻译成"不需要'区间对齐'就能给出稠密反馈"——这两句是 flyP 比 spark / jay / stephen 做得更深的"机制层面注释"，未来 weekly digest 候选值得摘录。
3. §1.5 / §2.4 批判点的"严重性分级"（高 / 中 / 低）+ 复现难度评估是 flyP 精读的标准动作，这次没掉；尤其 §1.5 第 1 条"397B 基线选择偏差"已经抓到问题方向（只是答案在 paper 里没去找），这是一个'问题意识正确 + 待 fact-check'的典型样例。
4. 跨实例去重（§5）——明确点出"与 jay 7-22 morning briefing / stephen 7-22 news x vip radar / spark 7-22"互补无重复，这是 flyP 比 spark 更系统的"知识库定位"动作。
5. §2.4 第 4 条「与 7-21 CVG 精读对照」——把 ShotPlan 放在"inference-time 隐式引导 vs training-time 显式规划"二元下，这是 flyP 知识库立标网的高质量扩张动作。

未到位 / 可加深的（−）

1. TimeLens2 8B vs 397B 解读错过了 paper 自身答案——这是 §四 硬伤 1 的延伸深度问题：flyP 应该把"abstract 内 Qwen3.5-397B-A17B 明确点名"作为"事实校正"在 §0 总判断里高亮，而不是在 §1.4 里以"待补查"形式出现。
2. ShotPlan arXiv html 没拉——这是 9:50 精读窗口的最低成本 fact-check 动作（一次 web_fetch 即可），但 flyP 没做。导致整个 §2 的"position 形态"判断过早定调。
3. 缺 TimeLens2 与 flyP 6-29 立的 VTCBench 数字交叉——flyP §1.5 自述"TimeLens2 在 VTCBench 上的具体数字是必须核的（VTCBench 是 flyP 立的 ground truth）"，但没在 §1.4 实验数字里给 VTCBench 单独一行。建议 §1.4 实验数字小节末尾加一行："VTCBench（flyP 6-29 立）数字待核——这是 flyP 自己立标，必须在 sync 之前对齐"。
4. 缺与 7-19 Boogu-Image-0.1 的"统一 vs 集合"对照——flyP §1.2 自述"与 flyP 7-19 Boogu-Image-0.1 立的'统一理解-生成'是同一种研究品味：把任务统一到集合而不是按模态 / 视点切分"，这是高质量的横向洞察，但没在 §3 横向对照表里给 Boogu-Image-0.1 一行（表里只有 TimeLens2 和 ShotPlan 两列）。建议 §3 加一列"参照"：Boogu-Image-0.1（7-19 立 / 统一理解-生成）+ LOCOS（7-04 / 集合机制）+ VTCBench（6-29 / 评测）+ CVG（7-21 / 隐式生成）——让 §3 表成为"flyP 知识库立标网"的可视化。
5. 缺对 TimeLens2 训练数据"93K 多区间"的具体例子——§1.3 流水线五步写得清楚，但没有给一个具体的多区间例子（如"hiding the body"出现在 3 个不连续区间，平均 2.4 区间/query 这种数字）。建议 §1.3 末尾补一句："5 步流水线的产出样例：TimeLens2-93K 平均每个 query 含 X 个区间，覆盖 Y 类事件类型"（待 arXiv html 核）。
6. 缺 ShotPlan "显式规划 token 数量" / "插入位置" 的具体设定——§2.2 写"在视频扩散基础模型的 token 流中插入'专门负责镜头转场'的特殊 token"，但没说插入几个、插在哪一层、是否所有 transformer block 都加。建议 §2.2 拉 arXiv html §3 Methods 后补具体数字。
7. §5 跨实例去重"与 tom 7-22 rag-e1prep：互补，无重复（tom 偏 RAG 检索评测，multimodal 副分类少量）"——这是本评审（Tom）的视角，由 flyP 替 Tom 写"互补、无重复"是 OK 的，但建议加一句"tom 7-22 rag-e1prep 实际分类为 multimodal 副分类的篇目见 e1prep §3.2" 让"互补"变成可验证而不是声明。

四、可读性与误导性

可读性：✅ 强项（与 flyP 既有一致）

• §0 总判断（双行）+ §1 TimeLens2 五段（事实卡 / 任务 / 方法 / 实验 / 批判 / 建议写入）+ §2 ShotPlan 五段（同样结构）+ §3 横向对照表 + §4 待补查清单 + §5 跨实例去重——结构对仗、信息密度高、自带"位置判断"（库位 / 审稿 / 主题页）三层；
• §0 的"建议入库 / 建议观察级精读"双线结论是 flyP 比 spark / jay 都更系统的"入库前审"动作；
• §1.3 / §2.2 的"机制翻译"段（把 abstract 术语翻译成"为什么这件事重要"）是 flyP 长尾精读的强项，这次做得尤其好。

潜在误导

• 🔴 硬伤 1（397B vs 8B 解读错位）——这是最容易让读者误以为"TimeLens2 是在挑战'超大模型零样本'基线"的关键事实错位，必须修；
• 🟡 软伤 3（ShotPlan 形态定性过早）——会让 ShotPlan 在 flyP 知识库里被压到"观察级"而不是"立标级"，影响后续 weekly digest 候选；
• 🟢 其余误导不高。

五、与最新进展的差距

截至 2026-07-22 14:42（评审时点）：

1. TimeLens2 代码 / 数据已发布（MCG-NJU/TimeLens2）——flyP 9:50 精读时未拉到 GitHub 仓库，这是一个 4 小时窗口就能补完的 fact-check；
2. TimeLens2 397B 基线身份 = Qwen3.5-397B-A17B（paper abstract 内明文）——flyP 已标"待补查"但答案是已知；
3. ShotPlan arXiv html 2607.17675v1 完整方法 + Project page demo 视频——flyP 未拉 html 也没去 Project page，导致 position 形态判断失准；
4. TimeLens2 在 VTCBench（flyP 6-29 立）上的数字——flyP 自承"必须核"但没在 §1.4 给独立行，这是 flyP 自己立标体系的内部对齐缺口；
5. 缺一张"flyP 视频理解 + 视频生成主题立标网"的可视化——§3 横向对照表只对 TimeLens2 / ShotPlan 两列，没把 Boogu-Image-0.1 / LOCOS / VTCBench / CVG / LingBot-Video MoE 等立标纳入。这一项不直接影响事实准确性，但让 §3 表的"立标网对接"价值打折。

六、可执行修改建议（按优先级）

1. 【P0】 修正 §1.4「397B vs 8B」解读——改为"4B 击败 Qwen3.5-397B-A17B（397B 总参 / 17B 激活，Qwen3.5 系列最大 MoE）平均 7.5 分"；并把"397B 对照基线身份"从待补查移到已确认行。
2. 【P0】 确认 MCG-NJU/TimeLens2 仓库已发布（代码 + GRPO + SFT + 数据 + recipe 全公开）——把"复现难度"从"中"降为"低-中"，并在 §1.4 末尾加一句"代码 + 数据已发布"。
3. 【P1】 重新评估 ShotPlan 形态——拉 arXiv html §3 Methods + Project page demo 后，把 §2.4 / §2.5 从"position 形态"调整为"方法可读 + 数据待补"；建议入 notes/ 立标 + 观察级 reviews/ 草稿。
4. 【P1】 §1.4 实验数字小节末尾加一行 VTCBench 数字——这是 flyP 自己立标体系内部对齐的"必须做"动作。
5. 【P1】 §3 横向对照表加一列"参照"——纳入 Boogu-Image-0.1 / LOCOS / VTCBench / CVG / LingBot-Video MoE，让 §3 表成为"flyP 知识库立标网"的可视化。
6. 【P2】 §1.3 末尾补一句 TimeLens2-93K 流水线产出样例（待 arXiv html 核平均区间数 / 事件类型数）。
7. 【P2】 §2.2 补 ShotPlan 规划 token 数量 / 插入位置 / 是否全 block 加（待 arXiv html §3 Methods）。
8. 【P2】 §1.4 末尾加"下次 cron 优先拉 arXiv html §4 + Appendix，列 7 个基准全名"作为低成本的 fact-check 增量。
9. 【P2】 §5 跨实例去重的 tom 7-22 rag-e1prep 互补声明，附"tom 7-22 rag-e1prep multimodal 副分类篇目见 e1prep §3.2"以让"互补"可验证。
10. 【P3】 升级 TimeLens2 段可信度评级为 A 级（修完 P0 1+2 之后），明确可入活文档候选（不只是 notes 草稿）。

七、综合评分

综合质量分：8 / 10。作为知识库长尾候选可用，修完 P0 两处 + P1 三处可冲 8.5+；补完 P2 五处可冲 9。

本评审基于 web 检索（arXiv abs 2607.17423 + 2607.17675、arXiv html 2607.17423v1、HF papers 2607.17423、GitHub MCG-NJU/TimeLens2、Project page ShotPlan）+ 飞 P 知识库 v25 / v29 立标卡片交叉对照；未做第二轮独立访谈。