论文导读
北京航空航天大学、阿里巴巴提出ProactiveBench，专门测试视频AI什么时候该开口。六个系统中有四个“提前响应”比“错过事件”更常见，比例从2.1倍到28倍；基准揭示的是受控视频任务中的时间判断，不等同于真实产品已造成同等风险。
答对内容，也可能答错时间
传统视频问答通常在视频结束后提问，系统只需回顾发生了什么。主动式助手更难：用户提前下达条件，比如“女孩完全踏上第一级台阶时告诉我”，AI必须持续观看，在事件真正完成的那一刻响应。
如果它在脚还没落稳时就回答，内容看起来接近正确，时机却错了；如果事件已经发生仍沉默，则是漏报。ProactiveBench把视频按时间切成连续观察点，每秒检查一次系统是否应该说话。
论文图：在人物踏上台阶的事件中，事件前应保持沉默，进入目标窗口后才应响应。
新基准把“闭嘴”也算成能力
每个样本包含视频、用户条件和一个可接受的响应窗口。窗口之前，正确行为是保持沉默；窗口内，系统应给出回应；错过窗口后再答，也不能当作完全正确。这样的设计把“是否理解内容”和“是否把握时机”分开。
团队还区分提前、窗口内和漏报三种结果。这样可以看出两个总分相近的模型究竟哪里不同：一个可能谨慎但经常错过，另一个可能积极却总爱抢答。对于实时助手，这种行为差异比单一准确率更重要。
论文图：六个受测系统在提前响应、窗口内响应和漏报三类行为上的占比。
四个系统更怕漏掉，所以先说了
论文测试六个系统，其中四个的提前响应次数多于漏报，二者比例在2.1倍到28倍之间。这个结果说明不少模型把“看到相关线索”误当成“事件已经完成”，或者训练目标鼓励它们尽快给出有帮助的答案。
这种倾向在日常提醒里可能只是烦人，但在烹饪、设备操作或无障碍辅助中，过早提醒会改变用户行为。系统说“水开了”与说“水快开了”不是同一件事，模型需要识别状态变化，而不仅是相关物体。
论文PDF：任务定义围绕主动视频理解、事件窗口和多系统时机评测展开。
实验也有边界：视频片段和指令经过基准设计，响应以固定频率检查，真实产品还会受到摄像头延迟、网络和用户表达差异影响。2.1至28倍不能直接外推为线上事故概率。
下一步要给主动助手装上时间校准
更可靠的做法，是让模型同时输出“事件发生概率”和“是否现在响应”的置信度，并允许在不确定时继续观察。产品还可以按风险分级：娱乐提醒可以积极，医疗和设备控制则必须等待更强证据。
未来基准需要加入更长视频、多个事件重叠、事件反转和用户中途改口。只有把等待、确认和纠错也纳入训练，视频AI才会从“会看”升级成“知道什么时候该说”。
参考资料
https://arxiv.org/abs/2609.12658
