左手一直端着碗，右手拿勺搅三下再放下。让模型复述一遍，它说「端着碗搅」。听着挺顺，可碗是谁端的？
这个基准专门治这毛病。1,407 段第一人称视频，41,132 条人工精修的动作标注，每条都要挂到左手、右手或双手上，还得带起止时间。做个除法：一段视频里平均塞了约 29 个动作，所谓「看懂这段视频」，密度比日常说的那句话高得多。论文里那个例子举得妙，「端着碗搅」这五个字把两条手轨并成一条，谁在干什么就此消失。
二十个基线跑完，Qwen3-VL-4B 和 LLaVA-OneVision-2-8B 经监督微调加强化学习，EgoActionScore 各涨 15.9 和 23.2 分，都越过了开源基线。这里有个口径值得摆出来：这个分数是语义保真与时间重叠两项的算术平均，涨 15.9 分说的是平均涨了这些，单项未必同幅。还有一处不对称，训练用的是自动标注数据，考卷是人工精修的。
下回谁再说「模型看懂了视频」，先请他把左右手分开写。