知识卡片：PsycheMME——面向视频社会理解与交互的心理学启发基准

一句话结论

PsycheMME 是一个受心理学理论启发的视频基准，用八个能力维度把“理解他人”与“选择回应”拆开评测，并通过“推理验证”协议同时考察答案与理由；在 17 个模型上，Timing（时机）能力得分与理由可信度最低。

事件概述或研究问题

• 论文指出：理解人类需求与选择回应是两类不同判断，聚合准确率会掩盖这种差异。
• 研究问题：如何构建一个视频基准，既区分社会理解与回应选择，又能评估模型给出答案时其显式理由是否站得住脚。
• 基准名：PsycheMME（心理学启发的视频社会理解与交互基准）。

方法/产品要点

• 理论依据：社会信息处理（Social Information Processing）与感知—行动循环（Perception-Action Cycle）。
• 八个能力维度：覆盖 grounding（ grounding）、states（状态）、needs（需求）、interaction decisions（交互决策）、memory（记忆）、risk（风险）等（摘要列出的范围，具体八项命名待核实）。
• 数据结构：从 630 个视频片段（episodes）构建 1,000 道问题。
• 构建流程：独立作答、隐去拟议参考答案、专家审核。
• 评测协议：Reasoning-Verified 协议，依据显式理由对标注线索的支持度与逻辑一致性对答案得分进行加权。
• 实验设置：17 个模型；另设输入控制与 SFT/GRPO 实验，考察上下文依赖与适配。

主要结果或产业意义

• Timing 维度在 Verified 分数与“得分保留率”（credit retention）上均为最低；模型即使 Timing 答对，其支持性判断也较弱。
• Need 分数相近的模型，在开放题上的答案完整性仍存在差异。
• 把答案与理由放在一起评估，可以定位模型在理解、回应选择与论证三个环节各自失败的位置。
• 产业意义：为社交/交互类视频模型提供更细粒度的诊断工具，避免“总分高但关键时机判断差”被掩盖。

为什么重要

• 现有视频理解基准多按任务类型或模态组织，PsycheMME 按“理解—行动”链路组织能力维度，更贴近真实社交交互的认知过程。
• Reasoning-Verified 协议把“理由质量”纳入评分，回应了“答案对但推理错”的评测盲区。
• 与既有卡片的关系：EgoPolice 关注高风险场景下的动作预判，OmniCompass 关注全模态时空定位与问答；PsycheMME 的增量在于把社会交互中的“需求理解”与“回应选择”分离，并引入理由加权的验证协议（本条为新增脉络，非直接延续）。

局限与不确定性

• 摘要未给出各模型的具体分数、数据集规模细节（如视频来源、时长分布）、八项能力的完整定义与缩写，待核实。
• SFT/GRPO 实验的具体设置与结论强度待核实。
• 基准的生态效度（实验室问题与真实社交场景的差距）待核实。
• 仅基于摘要与元数据，正文未抓取。

可用于图书/PPT/简报的角度

• “总分陷阱”：聚合准确率如何掩盖时机判断与理由质量的缺陷。
• 心理学理论（SIP、感知—行动循环）如何转化为可操作的评测维度。
• 从“答案对不对”到“理由撑不撑得住”：推理验证式评测的设计思路。
• 社交交互模型的失败定位：理解、选择、论证三段式诊断。

原始材料

• 标题：PsycheMME: A Psychology-Informed Benchmark for Social Understanding and Interaction in Videos
• 作者：Heran Hu, Yuhang Dong, Zhucun Xue, Kaiwei Chen, Yong Liu, Jiangning Zhang
• arXiv ID：2610.28625v1
• 发布/更新：2026-10-20T17:59:00Z
• 主分类：cs.CV
• 摘要页：https://arxiv.org/abs/2610.28625v1
• PDF：https://arxiv.org/pdf/2610.28625v1
• 关键词：video benchmark; social understanding; interaction; psychology-informed; Reasoning-Verified; Social Information Processing; Perception-Action Cycle