为什么重要
NExT-QA 专注于视频中的时序因果推理，不同于简单的视频描述任务。它要求模型理解动作之间的因果关系和时间顺序，是视频理解能力的核心测试。
构建方式
- 收集日常活动视频
- 标注因果（Why）、时序（How）、描述（What）三类问题
- 五选一格式
任务示例
视频：一个人在厨房做饭 问题：“Why did the person turn on the stove?” 选项：A) To warm their hands B) To heat the pan C) To light a candle D) To dry the pot E) To melt butter
关键发现
- 因果推理类问题最具挑战
- 模型倾向于依赖语言先验而非视频内容
- 多帧采样策略显著影响结果
关联基准
- Video-MME：视频多模态评测
- SEED-Bench：多模态理解
- BLINK：视觉感知
不足与展望
- 五选一格式降低了区分度
- 部分问题不看视频也能猜对
- 但时序因果推理方向持续重要