1.提出问题？

当时主流视频 QA 基准大多是 "静态图像思维"，考的是单帧，测不出动态理解；需要覆盖广泛动态能力的基准。

2.解决问题？

定义从静态到动态难度递增的 20 个任务（含时序、事件、因果关系等）；用 "自动转多选题" 机制从现有标注数据低成本生成可自动评测的题目，保证公平可复现。

3.成果

开源模型（最佳 VideoChat2 约 60.4%）与商业模型差距明显；已成为视频理解评测的标准参考之一。

4.启发

防作弊要从评测设计源头做起：自动转多选题这个机制让 benchmark 可自动评测、可复现，这是基准能被广泛采用的前提。

任务设计要覆盖 "动态理解"（时序、事件、因果），只测单帧的基准没有区分度。