早稻田大学团队重磅发布：AI看懂旅游视频后竟能制定完美旅行攻略

在我们这个短视频满天飞的时代，每天都有无数人在各种平台上分享着自己的旅行经历。从樱花季的京都漫步，到北海道的雪景温泉，这些生动的旅游视频记录着一段段美好的旅程。然而，你有没有想过，如果让人工智能来观看这些视频，它能不能像人一样理解旅行的路线和安排，甚至帮我们制定出同样精彩的旅行计划呢？

这个听起来像科幻小说的想法，现在已经被早稻田大学的研究团队变成了现实。由早稻田大学的王昊、村田栄樹等研究者，联合AI Shift公司、CyberAgent公司以及奈良先端科学技术大学院大学的专家们组成的国际研究团队，在2025年9月发表了一项突破性研究成果。这项名为"VIR-Bench: Evaluating Geospatial and Temporal Understanding of MLLMs via Travel Video Itinerary Reconstruction"的研究，开创性地让AI学会了从旅游视频中理解空间位置和时间顺序，并能据此重建完整的旅行路线。有兴趣深入了解的读者可以通过论文编号arXiv:2509.19002v1查询完整论文。

这项研究的意义远不止于技术上的突破。在当今这个信息爆炸的时代，我们每天都被海量的旅游内容包围着，但要从这些内容中提取出真正有用的旅行信息却并不容易。传统的旅行规划往往依赖于静态的攻略文字或简单的图片，而视频虽然信息丰富，却难以被系统化地分析和利用。早稻田大学的这项研究正是要解决这个问题：如何让机器智能地理解视频中蕴含的复杂地理信息和时间序列，从而为我们提供更加个性化和精准的旅行建议。

研究团队创建了一个全新的评测基准，叫做VIR-Bench，这就像是给AI设计的一场"地理考试"。他们收集了200个在日本拍摄的真实旅游视频，涵盖了从北海道到冲绳的43个都道府县，每个视频都经过精心标注，详细记录了旅行者访问的每一个地点和时间顺序。这些视频就像是一本本立体的旅行日记，记录着真实的旅行体验。

更令人兴奋的是，研究团队不仅仅停留在理论层面，他们还开发了一个能够自动生成旅行计划的AI助手。这个助手能够观看旅游视频，理解其中的行程安排，然后为用户量身定制相似的旅行方案。通过大规模的用户评测，他们发现当AI同时利用视频内容和提取的地点信息时，生成的旅行计划不仅在逻辑上更加合理，在吸引力方面也明显超越了仅使用单一信息源的方案。

一、揭秘AI的"旅行眼睛"：多模态大语言模型如何理解视频世界

要理解这项研究的核心价值，我们首先需要了解什么是多模态大语言模型。简单来说，传统的AI就像是只会读文字的书呆子，而多模态大语言模型则像是一个既能读书、又能看图、还能听声音的全能学霸。这类AI系统能够同时处理文字、图像、视频甚至音频等多种类型的信息，就像人类一样综合运用多种感官来理解世界。

近年来，随着GPT-4、Gemini等先进AI模型的快速发展，这些系统在理解静态图片和短视频方面已经达到了相当高的水平。然而，当面对长时间、大范围的旅行视频时，现有的AI系统就显得力不从心了。这就好比让一个只在城市里生活过的人突然去解读一张复杂的地形图一样困难。

早稻田大学的研究团队敏锐地发现了这个问题。他们指出，现有的视频理解基准测试主要集中在室内场景或短距离的户外活动上，对于跨越多个城市、持续数天的长距离旅行场景几乎没有涉及。这种局限性就像是让学生只做简单的算术题，却从不接触复杂的数学应用题一样。而在现实世界中，理解长距离地理空间和时间序列的能力对于许多实际应用都至关重要，比如自动驾驶导航、城市规划分析，以及我们今天要讨论的智能旅行规划。

为了填补这个空白，研究团队提出了一个全新的挑战：让AI从旅游视频中重建完整的旅行路线图。这个任务听起来简单，实际上却需要AI具备多项复杂能力的综合运用。首先，AI需要能够识别视频中出现的各种地点，从著名的旅游景点到普通的餐厅和车站。其次，AI还要理解这些地点之间的地理关系，比如东京塔位于东京都港区，而港区又属于东京都。最后，也是最困难的一点，AI必须能够理解时间顺序，准确判断旅行者是先去了哪里，后去了哪里。

这种综合能力的要求就像是让AI成为一名经验丰富的旅行向导。一个好的向导不仅要熟悉各个景点的位置和特色，还要能够根据游客的实际行程合理安排路线，确保整个旅程既高效又愉快。而要达到这样的水平，AI需要在地理知识、空间推理和时间理解等多个方面都有出色的表现。

二、构建AI的"旅行考试"：VIR-Bench数据集的诞生过程

为了系统性地评估AI在理解旅行视频方面的能力，研究团队精心构建了一个名为VIR-Bench的全新数据集。这个过程就像是为AI设计一套完整的"旅行理解能力测试题"，每一道题都经过精心挑选和标注。

数据收集的过程充满了挑战。研究团队招募了10名居住在日本的标注员，每人负责从YouTube上搜集20个符合要求的旅游视频。这些视频必须满足严格的筛选标准：内容必须是在日本境内的真实旅行记录，解说语言为日语或英语，视频内容按时间顺序展开而不能有闪回，旅行者不能分成多组同时进行不同活动，必须是以观光为主而非简单的街头漫步，视频中不能持续显示地点名称字幕，时长控制在10到30分钟之间。

这些筛选条件看似苛刻，实际上都有其深层的考虑。比如要求按时间顺序展开，是因为AI需要学习理解真实的时间流程。禁止分组活动，是为了避免复杂的并行事件干扰AI的理解。控制视频时长，则是为了确保内容既足够丰富又不会过于冗长。

更具挑战性的是视频标注过程。标注员需要像侦探一样仔细观察视频中的每一个细节，识别出旅行者访问的所有地点。这个过程类似于玩一个高难度的"找茬游戏"，标注员需要从视频中的招牌、建筑特征、周围环境等线索来判断具体位置。当遇到无法明确识别的地点时，他们会标记为"未知"并记录相应的类别，比如"未知咖啡店"或"未知拉面店"。

每个被识别的地点都需要提供详细信息，包括在视频中出现的起始和结束时间，以及对应的Google地图链接。这就像是为每个地点制作一张详细的"身份证"，记录着它的各种属性信息。研究团队随后利用Google Places API获取每个地点的完整信息，包括准确名称、详细地址和类别分类。

最终，这200个视频覆盖了日本47个都道府县中的43个，共包含3689个不同的兴趣点。从繁华的东京都市景观到宁静的北海道乡村风光，从古老的京都寺庙到现代的大阪购物中心，这个数据集真实地反映了日本旅游的多样性和丰富性。

三、解构旅行路线：访问顺序图的创新设计

为了让AI能够系统性地理解和重建旅行路线，研究团队设计了一个精巧的数据结构，叫做"访问顺序图"。这个概念就像是为旅行制作了一张特殊的"关系网络图"，不仅记录了旅行者去过哪些地方，还清晰地展示了这些地方之间的各种关系。

这个图结构包含四种不同类型的节点，就像是一个层次分明的组织架构。最顶层是根节点，相当于整个旅行的起点。第二层是都道府县节点，比如东京都、大阪府、爱知县等，代表最高级别的行政区划。第三层是城市节点，包括东京23个特别区、各个市町村等具体的行政单位。最底层是兴趣点节点，也就是具体的旅游景点、餐厅、车站、商店等实际访问的地点。

更巧妙的是，这个图结构还定义了两种不同性质的连接关系。第一种叫做"包含关系"，用来表示地理上的从属关系，比如东京站属于千代田区，千代田区又属于东京都。这就像是俄罗斯套娃一样的层层嵌套关系，帮助AI理解地理空间的层次结构。

第二种关系叫做"转移关系"，用来表示旅行者在时间上的移动轨迹。这种关系只连接同一层级的地点，比如从东京都到大阪府，或者从新宿站到东京站。这样的设计确保了时间序列的清晰性，避免了混乱的跨层级连接。

为了处理现实旅行中的复杂情况，研究团队还考虑了重复访问的问题。当旅行者多次访问同一个地点时，每次访问都会在图中创建一个独立的节点，这样就能准确记录完整的旅行轨迹。此外，他们还引入了特殊的"重叠关系"来处理地理位置上有交集但无法用简单包含关系表示的复杂情况。

四、AI的双重挑战：节点预测与边缘预测

面对复杂的旅行视频理解任务，研究团队采用了"分而治之"的策略，将原本庞大的问题分解为两个相对独立但又密切相关的子任务：节点预测和边缘预测。这种分解方式就像是把一道复杂的数学题拆分成几个步骤来解决，让AI能够逐步构建对旅行路线的完整理解。

节点预测任务考验的是AI的"地理识别能力"，就像是玩一个全球版的"你画我猜"游戏。AI需要观看旅游视频，然后准确识别出其中出现的所有地点。这个任务被进一步细分为三个层次：首先要识别出旅行涉及的都道府县，然后是具体的城市区域，最后是详细的兴趣点。每个层次的难度都在递增，就像是从识别一个国家，到识别一个城市，再到识别一条具体的街道一样。

对于兴趣点的识别，AI还需要同时预测其类别信息。这就像是不仅要知道"这是一家餐厅"，还要能够区分是"日式料理店"、"意大利餐厅"还是"快餐店"。这种细致的分类能力对于后续的旅行规划具有重要意义，因为不同类型的场所在旅行安排中扮演着不同的角色。

边缘预测任务则考验AI的"逻辑推理能力"。在这个阶段，AI已经知道了旅行中涉及的所有地点，但需要推断出这些地点之间的关系。这就像是给AI一盒散落的拼图块，要求它推断出正确的拼接方式。AI需要判断哪些地点之间存在地理包含关系，比如东京站位于千代田区。同时，还要根据视频内容推断出旅行者的实际移动顺序，比如先去了浅草寺，然后去了东京站。

这种时间顺序的推断特别具有挑战性，因为视频中的信息往往是隐含的。AI需要通过观察画面的变化、光线的变化、甚至是旅行者服装的变化来推断时间的流逝和地点的转换。这就像是要求AI成为一名经验丰富的侦探，能够从细微的线索中重建事件的完整时间线。

为了确保评估的准确性，研究团队设计了精确的评分标准。对于都道府县和城市的识别，只有完全匹配的结果才被认为是正确的。对于兴趣点的识别，考虑到名称可能存在的细微差异，他们采用了更加灵活的相似度匹配算法。当预测的地点名称与标准答案高度相似时，就被认为是正确的；当相似度中等但类别匹配时，也会被接受；其他情况则被判定为错误。

五、AI大考成绩单：当前最强模型的表现分析

经过精心设计的测试，研究团队对当前主流的AI模型进行了全面评估，结果令人既惊喜又深思。这就像是组织了一场AI界的"地理知识竞赛"，参赛选手包括了目前最先进的开源模型和商业模型。

在参赛的AI选手中，开源模型包括VideoLLaMA3、LLaVA-Video、InternVL3和Qwen2.5-VL等多个系列，而商业模型则有GPT-4.1、o4-mini以及Gemini-2.5-Flash和Pro等重量级选手。这些模型就像是来自不同"训练营"的运动员，各自有着不同的特长和优势。

测试结果显示了一个清晰的性能梯队。商业模型普遍表现优于开源模型，这并不令人意外，毕竟商业模型往往拥有更多的计算资源和数据支持。在商业模型中，Gemini-2.5-Pro表现最为出色，特别是在复杂的关系推理任务上展现出了明显优势。而在开源模型中，Qwen2.5-VL-72B的表现最为亮眼，在某些简单任务上甚至接近了商业模型的水平。

然而，整体的成绩并不乐观。即使是表现最好的Gemini-2.5-Pro，在最困难的任务上也只能达到60%左右的准确率。这就像是即使是最优秀的学生，在这场考试中也只能勉强及格。这个结果充分说明了VIR-Bench任务的挑战性，也揭示了当前AI技术在理解复杂地理空间和时间关系方面仍有很大的提升空间。

特别值得注意的是，所有模型在"时间顺序推断"任务上的表现都相当糟糕。一些较弱的模型在这个任务上的得分接近于随机猜测的水平，这就像是让一个路痴来规划旅行路线一样困难。造成这种现象的原因是多方面的：首先，许多模型能够处理的视频帧数有限，无法获得足够的时间信息；其次，即使是能够处理较多帧数的模型，也往往缺乏对长时间序列的理解能力。

研究团队还发现了一些有趣的模式。随着模型规模的增大，性能确实有显著提升，特别是在复杂推理任务上。比如从Qwen2.5-VL-7B到Qwen2.5-VL-72B，时间顺序推断的准确率提升了大约16倍。这说明更大的模型确实具备更强的长序列理解和整体推理能力。

另一个重要发现是，具备"思考能力"的模型在复杂任务上表现更好。o4-mini和Gemini-2.5-Pro这两个能够进行显式推理的模型，在需要复杂逻辑的边缘预测任务上显著优于其他模型。这就像是在考试时能够在草稿纸上列出解题步骤的学生，往往比只能直接给出答案的学生表现更好。

六、深入分析：AI在地理理解上的三大困境

通过对大量测试案例的深入分析，研究团队识别出了当前AI模型在处理旅行视频时面临的三个主要困境。这些困境就像是三座需要攀越的大山，每一座都代表着AI发展路上的重要挑战。

第一座山是"任务理解困境"。许多AI模型在面对复杂的指令时，就像是第一次参加考试的学生，往往不能准确理解题目要求。研究团队发现，一些模型会简单地复制提示样例中的内容，而不是根据实际视频内容进行分析。还有一些模型会产生完全不符合逻辑的结果，比如将东京和大阪之间建立"包含关系"，或者预测出在视频中根本不存在的地点。这种现象就像是学生在考试时不仔细审题，或者完全误解了题目的意思。

第二座山是"地理知识困境"。这个问题特别体现在开源模型上，它们往往缺乏足够的地理知识储备。比如在处理冲绳的旅游视频时，某个模型能够正确识别出prefecture（都道府县）是冲绳县，但在城市层面却只能说出那霸市这一个最著名的城市，而完全错过了视频中实际访问的其他城市。这就像是一个对某个地区只有粗浅了解的人，只知道最著名的地标，却不了解具体的街区和景点。

更有趣的是，即使是表现相对较好的商业模型，也会出现知识盲区。研究团队发现，某个先进模型能够准确识别出视频中的"Nabazo新宿三丁目店"，但却无法将其正确关联到新宿区。这种现象就像是知道某家店的具体名称，却不知道它位于哪个街区一样，反映出AI在地理知识整合方面的不足。

第三座山是"时间推理困境"，这也是最高最险的一座山。研究团队发现，即使是较大规模的模型，在处理包含大量地点的复杂旅行视频时，也难以构建出正确的时间序列。一个典型的例子是，当视频中包含多个酒店入住和多个景点参观时，AI往往无法正确推断出访问的先后顺序，而是会产生混乱的连接关系。

这种时间推理的困难主要源于两个方面。一方面，AI需要从有限的视频帧中推断出完整的时间流程，这就像是要求一个人仅从几张快照中重建整个故事情节。另一方面，真实的旅行往往包含复杂的空间移动模式，比如在同一个城市内的多个景点之间往返，或者跨越多个城市的长距离移动，这些复杂模式给AI的理解带来了巨大挑战。

七、优化策略探索：如何让AI变得更聪明

面对AI在旅行视频理解上的种种困境，研究团队并没有止步于问题的发现，而是积极探索各种可能的优化策略。这就像是为AI寻找各种"学习辅助工具"，帮助它更好地理解复杂的地理和时间信息。

第一个重要发现是视频帧数的影响。研究团队测试了不同数量的输入帧对模型性能的影响，结果显示增加视频帧数能够显著提升AI的理解能力。当GPT-4.1处理的视频帧数从64帧增加到256帧时，其在兴趣点识别和时间顺序推断上的表现都有了明显改善。这个发现就像是发现"多看几遍能够更好地理解电影情节"一样直观，但却为AI的优化提供了重要方向。

特别值得注意的是，当输入帧数较少时（比如只有64帧），AI在复杂任务上的表现会急剧下降。这说明对于旅行视频这种长时间、多地点的内容，AI需要足够密集的时间采样才能构建出准确的理解。研究团队建议，对于这类应用，至少需要每14秒采样一帧，这样才能为AI提供足够的时间信息。

第二个优化策略是增强推理能力。研究团队发现，那些能够进行显式"思考"的模型在复杂任务上表现更好。o4-mini在增加推理深度后，其时间顺序推断能力有了显著提升。这就像是给学生更多时间来思考和规划解题步骤，而不是要求他们立即给出答案。

然而，推理能力的提升并不是万能药。研究团队注意到，在简单的地点识别任务上，增强推理能力的效果并不明显，有时甚至会因为"想得太多"而产生错误。这提醒我们，不同类型的任务可能需要不同的优化策略。

第三个重要发现是音频信息的价值。Gemini模型能够同时处理视频和音频信息，研究结果显示音频对于时间推理具有特殊价值。当移除音频信息后，模型在时间顺序推断上的表现下降了近50%。这个发现非常有启发性，因为音频往往包含连续的时间线索，比如解说词的顺序、背景声音的变化等，这些信息能够为AI提供更精细的时间定位依据。

这些优化策略的发现不仅为当前模型的改进提供了具体方向，也为未来的AI发展指明了道路。它们表明，要让AI真正理解复杂的现实世界场景，需要在数据密度、推理深度和多模态融合等多个维度上进行综合优化。

八、从理论到实践：AI旅行规划助手的诞生

为了验证VIR-Bench研究的实际价值，研究团队更进一步，开发了一个基于AI的旅行规划助手系统。这个系统就像是将理论研究转化为实际应用的桥梁，展示了AI在理解旅行视频后如何为人们生成实用的旅行建议。

这个AI助手的工作原理相当巧妙。它不是简单的行程生成器，而是一个能够从旅游视频中学习并模仿的智能系统。当用户上传一个旅游视频时，AI助手首先会观看整个视频，识别出其中访问的所有景点和活动。然后，它会根据用户提供的约束条件（比如旅行天数、人数、预算等），生成一个结构化的旅行计划。

更有趣的是，研究团队设计了三种不同的输入模式来测试AI助手的能力。第一种模式只提供景点列表，就像给AI一个简单的"必去清单"。第二种模式只提供视频内容，让AI完全依靠视觉理解来规划行程。第三种模式同时提供景点列表和视频内容，这是研究团队认为最理想的组合方式。

为了评估生成的旅行计划质量，研究团队组织了大规模的众包评测。他们招募了大量日语使用者作为评估员，要求他们从多个维度对AI生成的旅行计划进行评价。这些维度包括：计划的吸引力（是否让人想要去旅行）、可行性（交通安排是否合理）、密度适宜性（行程安排是否过于紧凑或松散）、以及与原视频的一致性（是否能够重现视频中的旅行体验）。

评测结果令人鼓舞，同时也揭示了一些重要洞察。首先，同时使用景点列表和视频内容的模式确实产生了最具吸引力的旅行计划，平均得分达到了3.73分（满分5分）。这说明视频中的丰富信息，比如特定的用餐体验、景点的氛围描述等，能够为旅行计划增添许多吸引人的细节。

然而，结果也暴露了纯视频模式的不稳定性。虽然这种模式有时能够产生高质量的计划，但也经常出现与原视频内容完全不符的情况。研究团队发现，约31%的纯视频生成计划被评估员认为与原视频"完全无关"，这反映了当前AI在视频理解上的局限性。

一个特别有趣的发现是AI助手的景点选择策略。通过分析AI选择的景点特征，研究团队发现AI倾向于选择在视频中出现时间较长的地点，这表明AI能够识别出哪些地方在原始旅行中更重要。同时，AI还会优先选择Google地图评分较高的地点，这体现了它在整合多源信息方面的能力。

九、技术架构揭秘：多智能体协作的旅行规划系统

为了实现高质量的旅行计划生成，研究团队采用了一种创新的多智能体协作架构。这个系统就像是一个专业的旅行社团队，每个成员都有自己的专长，通过密切协作来完成复杂的行程规划任务。

系统的核心是一个智能协调者，它就像是团队的项目经理，负责统筹整个规划过程。协调者会动态决定各个专业智能体的工作顺序，管理它们之间的信息共享，确保整个系统高效运转。这种设计避免了传统流水线方式的僵化，使得系统能够根据具体情况灵活调整工作流程。

在这个团队中，有五个专业智能体各司其职。计划智能体专门负责制定日程安排，它会根据用户的预算和时间约束，优化每天的活动安排和时间分配。地图智能体则像是团队的地理专家，负责收集各个景点的详细信息，包括开放时间、门票价格、用户评价等。

路线智能体扮演着交通规划师的角色，它会为每个行程段规划最佳的交通方式和路线。由于Google Routes API在日本不支持公共交通查询，研究团队还开发了一个基于浏览器自动化的备用方案，确保能够获得准确的交通信息。

住宿智能体专注于寻找合适的住宿选择，它会根据预算约束和行程安排，推荐位置便利、价格合理的酒店或民宿。最后，总结智能体负责将所有信息整合成一份完整的旅行计划，包括详细的日程安排、预算分解、实用建议等。

每个智能体都配备了专门的工具来完成其任务。除了Google Maps API和Google Routes API等外部服务，系统还集成了浏览器自动化工具，能够在API功能不足时通过模拟人工操作来获取必要信息。这种多工具融合的方式大大增强了系统的实用性和可靠性。

十、实用性验证：AI助手在真实场景中的表现

为了全面评估AI旅行助手的实际效用，研究团队设计了一系列严格的测试。他们从VIR-Bench数据集中选择了20对视频和对应的标注信息作为测试用例，确保测试的代表性和公平性。

测试过程模拟了真实的用户场景。研究团队为每个测试用例随机生成了合理的约束条件，包括1到4人的团队规模、2到4天的旅行时长，以及每人每天70到500美元的预算范围。这些参数设置反映了真实旅行的多样性需求。

评测采用了严格的众包方式。由于测试视频都是在日本拍摄的，研究团队招募了具有日语能力的评估员，并将生成的英文旅行计划翻译成日语以确保评估的准确性。每个计划都由5名独立评估员进行评价，这种多人评估的方式有效减少了主观偏差。

结果分析揭示了一些重要模式。在吸引力评价中，结合景点列表和视频内容的方案获得了最高分，约有67%的计划被评为"有吸引力"或"非常有吸引力"。这个结果证明了视频内容对于增强旅行计划吸引力的重要作用。视频能够提供景点的视觉印象、氛围描述、特色活动等文字难以传达的信息，这些细节让旅行计划变得更加生动和诱人。

在可行性评估方面，三种方案的表现相对接近，都有约80%以上的计划被认为是可以实际执行的。这说明AI助手在基本的逻辑规划能力上已经达到了实用水平。然而，仅使用视频的方案在交通信息提供方面表现略差，约有20%的计划缺乏具体的交通指导，这反映了从视频中提取精确地理信息的困难。

行程密度的评估显示了用户偏好的多样性。大约53%的评估员认为结合方案的行程密度"刚好合适"，但也有相当比例的评估员认为行程过于紧凑。这个结果提醒我们，旅行偏好具有很强的个人特征，未来的AI助手需要更好地考虑用户的个人喜好和旅行风格。

最具挑战性的是一致性评估，这项测试要求评估员观看原始视频，然后判断生成的计划是否能够重现视频中的旅行体验。结果显示，仅使用视频的方案虽然有时能够产生高度一致的计划，但波动性很大，约有31%的计划被认为与原视频"完全无关"。这个结果凸显了当前AI在视频理解能力上的不稳定性，也解释了为什么结合多种信息源的方案更加可靠。

说到底，这项来自早稻田大学的开创性研究为我们展示了AI理解复杂现实世界的巨大潜力和现实挑战。通过让AI学会观看和理解旅游视频，研究团队不仅推动了技术边界，更为智能旅行规划开辟了全新的可能性。

这项研究的意义远超技术层面。在这个信息爆炸的时代，我们每天都被无数的旅游内容包围，但要从中提取真正有用的信息却并不容易。VIR-Bench的出现就像是为AI提供了一双"旅行者的眼睛"，让它能够像人类一样理解视频中的地理位置和时间序列，从而为我们提供更加个性化和精准的旅行建议。

当然，现实也提醒我们还有很长的路要走。即使是最先进的AI模型，在面对复杂的地理推理和时间序列理解时仍然会遭遇困难。但正如研究团队开发的旅行规划助手所证明的那样，当我们将AI的理解能力与实际应用相结合时，已经能够产生令人鼓舞的成果。

这项研究最令人兴奋的地方在于它指向了一个更广阔的未来：AI不再只是处理文字和简单图片的工具，而是能够理解复杂现实场景、提供智能决策支持的伙伴。从旅行规划到城市规划，从自动驾驶到智能导航，这种空间-时间理解能力将为无数应用领域带来革命性的改变。对于我们普通人来说，这意味着未来的AI助手将能够更好地理解我们的需求，为我们的生活提供更加贴心和实用的帮助。

Q&A

Q1：VIR-Bench是什么？它主要用来做什么？

A：VIR-Bench是早稻田大学团队开发的AI视频理解能力测试基准，专门用来评估AI模型从旅游视频中理解地理位置和时间顺序的能力。它包含200个日本旅游视频和对应的详细标注，可以测试AI是否能像人类一样理解旅行路线和行程安排。

Q2：目前最先进的AI模型在VIR-Bench上表现如何？

A：即使是最强的商业AI模型如Gemini-2.5-Pro，在最困难的任务上也只能达到60%左右的准确率。所有模型在时间顺序推断方面都表现不佳，一些较弱模型的得分接近随机猜测水平，说明这个任务确实非常有挑战性。

Q3：研究团队开发的AI旅行规划助手实用性如何？

A：测试显示当AI同时使用景点信息和视频内容时，生成的旅行计划最具吸引力，约67%被评为有吸引力。超过80%的计划在可行性方面达到实用标准。不过纯视频模式还不够稳定，约31%的计划与原视频内容不符，所以最好结合多种信息源。