新基准 AskStream 要求模型在不确定时主动提问，最强模型 Ask-F1 仅 52.18%。
资讯摘要
论文提出 AskStream，将流式视频理解中的主动交互从“等待或回答”扩展为包含“提问”的第三种动作，用于处理视频或用户带来的信息不确定性。作者构建了首个覆盖视频与用户不确定性的多轮基准，含四类任务、八个子任务，共 438 段视频、2714 个帧级人工标注时间窗，标注类型为等待、提问、回答。在多项选择与开放式设置下，最强模型在 Ask-F1 指标上仅达 52.18%。
要点速读
- 论文认为现有主动范式假设回答所需信息完整，模型只能等待或回答，不确定性会导致无限等待或高幻觉回答。
- AskStream 含 438 段视频、2714 个帧级人工标注时间窗，覆盖四类任务、八个子任务。
- 最强模型在 Ask-F1 上仅 52.18%，作者据此指出模型在不确定性下主动获取信息的能力有限。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。