TACG

TACG（Temporal Attention-Consistency Grounding）是一种后训练方法，通过注意力一致性训练让注意力分布同时对齐模型预测和真实标注，不引入额外时序线索、不依赖外部时间戳编码器、不修改模型架构。

TACG 的核心思路是把模型内部注意力视为可靠的时间支点，通过一致性约束使注意力峰值落在真实区间内、预测时间戳与注意力峰值对齐。

将注意力一致性训练用于全模态时序定位尚属首次，类似思路在视觉定位和可解释性研究中已有先例。

现有全模态模型可能普遍存在类似的“注意力-输出错位”问题，TACG 或许能推广到更广泛的模型家族。