AskStream

研究者提出将“提问”作为第三种主动动作，并推出首个多轮基准AskStream。

AskStream是首个覆盖视频不确定性与用户不确定性的多轮流式视频理解基准。

AskStream基准包含四个任务类别和八个子任务，涵盖438个视频，并人工标注了2,714个帧级时间窗口。

AskStream的每个帧级时间窗口对应三种动作类型：等待、提问、回答。

AskStream将不确定性分为视频不确定性与用户不确定性两类。

论文分析指出，模型在判断“何时问”时容易过早或过晚行动，在“问什么”上则常提出无关或冗余问题。