ProactiveBench：流视频模型真的能像人类一样交互吗？

流视频理解需要模型处理连续的多模态输入，同时保持时间上下文。现有的评估主要是反应性的：它们在选定的时间戳查询模型，因此不评估模型何时应响应。相反，主动交互需要监视长期请求，在目标事件发生后在适当的时间间隔内做出响应，否则保持沉默。我们引入了 ProactiveBench，它以一秒的流间隔评估模型，而无需明确的响应提示。它的六个子任务因触发模糊性和时序容错性而异。事件灵敏度以几何方式结合了同一录音的响应率和静音率；四个基于窗口的子任务区分早期响应、窗口内响应和错过响应；和重复计数惩罚遗漏和重复。在六个评估系统中，有四个系统的过早响应数量超过了错过响应数量，这揭示了类人交互所需的时间决策存在巨大差距。