先预测，再检索：从视频前缀跨实例检索未来状态

英文标题：Predict, Then Retrieve: Cross-Instance Future-State Retrieval from Video Prefixes

论文提出“预测状态检索”（Predictive State Retrieval，PSR）任务：模型先观察一段短视频前缀，并结合关于物体未来状态的时间问题，再从其他视频或图像中检索呈现该状态的实例。该任务关注跨实例的未来状态理解与检索，而非仅识别当前画面中的动作。PSR 可为视频理解、具身 Agent 的预测能力以及基于视觉内容的检索系统提供新的评测与研究方向。原文摘要未提供具体实验数据或性能结论。

2.1 KB 672 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB