强化学习可验证奖励（RLVR）为将预训练模型适配到视频时间定位提供了自然框架，生成的时间区间可以直接与真实区间比较得分。
现有的重叠验证器通常对每个 rollout 独立打分，未利用 rollout 组的整体结构信息。
我们提出 SUTURE，它在条件化验证时考虑整个 rollout 组，并在两个互补尺度上利用该结构：跨 rollout 的分歧用于调节目标的重新加权强度，而每个位置的覆盖度决定奖励质量的重新分配。
理论上，SUTURE 的验证函数可以精确分解为标准 IoU 项加上由 rollout 组决定的协方差修正。
局部梯度诊断表明，在分析的组中，模型更倾向于覆盖支持较少的目标区域。
在五个时间定位基准上，SUTURE 在所有报告的 IoU 阈值上均提升了定位性能。其训练得到的策略在推理轨迹中对视频起始位置的锚定更少：对于后期事件，首次出现的时间段更常与标注目标重叠。
这些结果共同说明，rollout 组的联合结构能够提供更丰富的时间验证信息。 点评