2026年7月13日 · E-VQA
Evidence-Backed Video Question Answering
论文提出 Evidence-Backed Video Question Answering (E-VQA) 任务，要求模型输出语义答案和精确的时空证据（时间片段和密集跟踪对象分割掩码）。引入 ST-Evidence 基准，并构建 160k 规模的 ST-Evidence-Instruct 数据集。微调后的 Video LLM 在像素级定位上优于 UniPixel 基线。
EVENT STORY
发展脉络
- 首次出现Evidence-Backed Video Question AnsweringarXiv cs.AI
- 当前判断该工作推动视频理解从黑盒推理向可验证、可解释的方向发展，可能影响视频监控、自动驾驶等需要可靠证据的领域。Agent Pulse · 分析
论文提出 E-VQA 任务，要求模型输出答案和时空证据；构建 ST-Evidence 基准和 160k 数据集，微调模型在定位上优于基线。
E-VQA 将视频问答从纯文本答案扩展到像素级时空证据，揭示了 QA 准确率与视觉感知之间的解耦。
该工作推动视频理解从黑盒推理向可验证、可解释的方向发展，可能影响视频监控、自动驾驶等需要可靠证据的领域。
提升视频 AI 的可信度和可审计性，对需要合规和可解释性的行业（如医疗、安防）具有潜在商业价值。
未来可关注该任务在更多视频理解基准上的表现，以及是否被集成到商业视频分析产品中。