多模态大语言模型（MLLMs）在视频时间定位（Video Temporal Grounding, VTG）方面取得了显著进展，但现有方法通常将输出范式与不同的骨干网络、数据集和训练协议耦合，使得难以单独评估输出设计对性能的具体影响。此外，随着VTG系统越来越多地考虑在资源受限的边缘设备上部署，系统层面的效率与输出形式之间的权衡需要被系统地研究。
针对这些挑战，一项最新的受控实证研究对三种主流的VTG输出范式进行了比较：文本数字生成（Text Numeral Generation）、时间Token生成（Temporal Token Generation）和连续时间解码（Continuous Temporal Decoding）。研究团队在相同的紧凑型VLM（包括SmolVLM2、FastVLM和Molmo2）上，采用一致的数据集和LoRA微调协议对这些范式进行了评估。评估工作在Charades-STA、QVHighlights和YouCook2等数据集上进行，衡量指标涵盖了定位准确性以及系统效率，包括推理延迟、训练吞吐量和参数开销。
研究结果明确指出，无论模型规模大小，输出形式的选择都显著影响着定位准确性和计算成本。具体而言，连续分布范式（即连续时间解码）在Pareto前沿上始终保持着最优的效率-准确度权衡，实现了稳健的定位能力，同时最大限度地减少了延迟开销。这些发现为设计高效、可部署的VTG系统提供了客观的实证指导，对于推动AI在视频理解和边缘计算领域的应用具有重要意义。