StreamGaze：面向流式视频的注视引导时序推理与主动理解基准

StreamGaze 是首个评估多模态大模型（MLLMs）在流式视频中利用人类注视信号进行时序与主动推理的基准，包含注视引导的过去、现在与主动预测任务。其数据由注视-视频问答生成流程构建，通过对自我中心视频做注视点提取、区域视觉提示和扫描路径构建，生成时空对齐的 QA 对。在所有任务上，当前 SOTA MLLMs 与人类表现存在显著差距，暴露出注视时序推理、意图建模与主动预测方面的局限。