论文：PaSBench-Video: A Streaming Video Benchmark for Proactive Safety Warning

一句话核心结论

现有多模态大模型很难精准实现视频实时主动安全预警，预警准确率偏低，还普遍存在误报问题，也无法真正预判潜在危险。

它到底研究了啥

研究场景

流式视频主动安全预警：在危险出现、事故发生前的窗口期，依托视频内容及时发出安全提醒，覆盖驾驶、医疗、日常生活、工业生产四大领域。

测试对象

13 款主流多模态大语言模型（MLLMs）。

怎么测的

1. 构建全新数据集 PaSBench-Video，包含 740 段视频，其中 481 段含风险、259 段为安全场景；

2. 对风险视频逐帧标注危险起始、事故发生区间，要求模型按视频时序观察，输出时间精准、内容准确的预警；

3. 综合检测准确率、召回率、误报率等指标开展评测。

测出来啥结果

1. 所有模型在严苛评测指标下得分均未超过 20%，整体表现较差；

2. 模型召回率和误报率高度相关（皮尔逊相关系数 0.64），想要提升危险检测能力，就会大幅增加安全场景的误预警；

3. 不同领域表现差异大：日常生活场景表现相对尚可，驾驶场景极易乱报预警；

4. 现有模型仅能识别表层画面特征，无法推理预判逐步显现的潜在危害。

最后结论

当前多模态模型尚不具备成熟的视频主动安全预警能力，核心短板是无法深度推理潜在危险，单纯依靠现有技术难以胜任全天候精准安全监测工作。