시간 기반 접지(Temporal grounding)란 비디오에 대한 자연어 질의에 대해 구간 $[t_s, t_e]$를 반환하는 것으로, 장편 비디오를 위한 언어 인터페이스이지만 짧은 비디오에서만 연구되어 왔으며, 시간 규모의 자연어 접지는 여전히 충분히 탐구되지 않았습니다. 저희는 시간 규모에서는 결합 제약(binding constraint)이 인식(recognition)이 아니라 검색(search)이라는 입장을 취합니다: Video-LLM은 가까운 이벤트를 위치 지정하는 것보다—자연어 질의가 주어졌을 때—장편 비디오에서 관련 영역을 검색하는 것에 의해 병목 현상을 겪습니다. 이를 테스트하기 위해, 저희는 개방형 형식(open-form) 질의 분포를 가진 최초의 시간 규모 접지 벤치마크인 ExtremeWhenBench를 공개합니다 (194개 비디오에 대한 2,273개 질의, 평균 75.7분, 최대 9시간). 모든 개방형 Video-LLM은 무너지는 반면, 프레임 레벨 검색(frame-level retrieval) 기반 모델이 이를 능가합니다; 실패 분류학(failure taxonomy)에 따르면 실패의 85%는 검색 문제에 기인하며; 검색 후 접지 하이브리드 방식은 단일 Video-LLM보다 6.7배 높은 성능을 회복하는데, 이는 개방 도메인 QA에서 '검색 후 읽기'를 반영합니다.