P³IBench

研究者提出了 P³IBench，一个面向真实流式场景的主动视频理解基准，将主动能力拆分为日常感知（daily perception）、风险预测（risk prediction）与干预（intervention）三类。

交互式视频问答（streaming/interactive video QA）通常由用户显式提问触发回答，而 P³IBench 要求模型在没有明确指令时自行决定是否输出，将响应决策本身变为评测对象。

研究评测了 12 个代表性的开源与专有视频语言模型，结果显示当前模型普遍难以做出校准良好的响应决策。