结论

浙江大学APRIL Lab与中国地质大学等合作的预印本PsycheMME报告了一个心理学引导的多模态视频基准：以1000道题目、630个片段检验17个多模态大模型的社会理解与交互选择。作者称，交互时机判断是验证后得分最低、得分保留率最低的能力，正确时机答案中约半数缺乏充分线索支撑；需求理解相近的模型在开放题完整性上仍差40个百分点。这是作者在受控评测中的结论，尚未经同行评审，也未经本站独立复现，不应视为普遍成立的行业事实。论文v1提交时间为协调世界时10月20日17时59分，对应北京时间10月21日1时59分，列入arXiv10月21日当日目录，符合当日窗口。

方法与数据范围

按作者描述，基准以社会信息加工与感知-行动循环组织8个诊断能力：理解侧的社会定位、心理理解与需求推断，回应侧的交互时机、言语回应与具身行动，以及记忆与风险边界调节。数据来自6个公开数据集加公开vlog、访谈与日常录制，经人工加视觉语言模型筛选保留具可观察社会线索的片段，覆盖16类场景。构建采用多智能体隔离管线：提问智能体提议题目与参考线索，作答智能体仅见题目独立作答，批评智能体核查可答性与逻辑，再经5名心理学背景研究者一致评审才冻结入库，微调数据与基准隔离。评估除原始答案分外，另以推理验证分加权答案正确性、解释信息量、参考线索支撑与逻辑完整性，参数为1.2时常规支撑仅得约69.44%分。数据范围为作者自建的1000题630集，其中890道选择题、110道开放题；动机与适应性另以输入控制与Qwen3.5-4B上的监督微调加组相对策略优化检验。

结果

作者报告，在17个冻结多模态大模型上，时机能力验证分最低且保留率最低，正确时机答案中弱支撑或矛盾支撑占49.74%，说明答对不等于有充分依据。开放需求题上，Gemini 3.6 Flash与Claude Opus 5需求分相近，但满分率差40个百分点，聚合准确率遮蔽了完整性差异。作者称，输入控制与历史消融显示上下文依赖明显，监督微调加组相对策略优化在小规模设置下可改变选择与适应，但推理验证仅用于评估。以上均为作者在自选基线、固定输入帧采样与语音转写条件下的报告结果，存在实现差异与指标选择的影响。编辑解释：这些数字只说明在该论文设定下的相对表现，不代表在其他视频分布、语言或产品管线中必然复现，40个百分点等差距为特定子集结果而非平均承诺。

局限与评审状态

该工作为arXiv预印本，未标注会议接收或同行评审信息，应视为待验证的研究进展。结论限作者自建的1000题630集与16场景类别，未覆盖开放域长流程交互、复杂外部依赖或真实用户偏好。视频筛选依赖人工加模型辅助，可能引入选择与质量偏差；推理验证依赖参考线索标注与语义裁判，标注主观性与裁判模型偏差未完全消除。评测限17模型固定输入与评测协议，更换帧数、历史长度或解码设置后结果可能变化；监督微调与强化学习仅在Qwen3.5-4B语言骨干加冻结视觉编码器的小规模设置验证，不直接推广至其他规模模型。读者应将其视为特定条件下的研究信号，而非已确认的产品能力或通用结论。

潜在意义

若后续能独立复现，该思路可能为社会交互评测提供更细的诊断：将理解与回应选择分开，并以线索支撑约束解释质量，避免只看选项命中率。对中国用户的编辑提示是，可关注其后续开源的代码、数据集与项目页的第三方复测，特别是在中文社会场景与长视频上的表现，但在同行评审与独立验证出现前，不宜将其直接用于选型或生产决策。本站将继续以当日可核验进展为准，不补发往日研究。