论文：FutureOmni: Evaluating Future Forecasting from Omni-Modal Context for Multimodal LLMs

一句话总结

给 AI 看一段视频 + 声音，让它预测接下来会发生什么，结果发现：现在最强的 AI 也才考 60 多分，离人类差很远。这篇论文做了一个专门考 AI “预知未来” 能力的考试，叫 FutureOmni。

简单拆解

给 AI 看一段视频、同时听里面的声音，让它预测接下来会发生什么。

1. 考什么？

• 919 个视频、1034 道选择题，覆盖 8 大类日常场景。

2. 考题规模

• 尤其是有很多人说话的视频，AI 更懵。

3. 考得怎么样？目前最强模型（Gemini 3 Flash）

• 准确率只有 64.8%，远不如人类。

4. 作者做了什么？

• 做了第一个专门测 “视听 + 预判未来” 的标准考试
• 发现 AI 普遍不行
• 自己做了一套训练方法，稍微提升了一点能力