spatiotemporal-grounding

모델이 인식한 정보를 단순히 텍스트로 설명하는 것을 넘어, 영상 속의 구체적인 시간(타임스탬프)과 공간(좌표) 데이터에 연결하는 기술이다. 이를 통해 모델의 추론이 실제 시각적 증거에 기반하도록 만든다.