ReXSonoVQA：以程序为中心的超声理解的视频 QA 基准

超声采集需要熟练的探头操作和实时调整。视觉语言模型（VLM）可以实现自主超声系统，但现有基准仅评估静态图像，而不评估动态程序理解。我们推出了 ReXSonoVQA，这是一个视频 QA 基准，包含 514 个视频剪辑和 514 个问题（249 个 MCQ，265 个自由回答），针对三种能力：行动目标推理、工件解析和优化以及程序上下文和规划。对 Gemini 3 Pro、Qwen3.5-397B、LLaVA-Video-72B 和 Seed 2.0 Pro 的零样本评估表明，VLM 可以提取一些程序信息，但解决问题仍然具有挑战性，与纯文本基线相比，收益最小，暴露了因果推理的局限性。 ReXSonoVQA 能够开发用于超声训练、引导和机器人自动化的感知系统。