RobotEQ-Video：以视频为中心的社会主动智能基准与世界国家分类法

社交主动智能 (SPI) 将主动协助扩展到任务完整性之外，以考虑不同具体场景中的社交适当性。然而，先前的 SPI 研究面临两个关键限制。首先，现有的工作侧重于静态图像，而动态视频为推断人类状态和需求提供了关键线索，提供比孤立图像更丰富的信息。其次，先前的工作往往依赖于自由形式的数据收集管道，这无法保证多样化场景的全面覆盖。为了解决这些差距，我们推出了 RobotEQ-Video，将重点从以图像为中心的分析转移到以视频为中心的分析。为了确保全面的视频覆盖，我们构建了一个分层的世界状态分类法，组织成四级从粗到细的结构，包括 6 个域、20 个维度、142 个 1 级属性和 816 个 2 级属性。由此产生的基准包括 2K+ 视频、100K+ 人工注释和 16K+ 标签，用于评估行为正确性。基准评估表明，当前系统仍然不可靠，并且达不到人类的表现。我们进一步探讨世界模型如何帮助解决这一任务。这项工作将 SPI 研究从静态图像推进到动态视频，并确保基准测试期间更全面的场景覆盖。