Un preprint publicado el 8 de octubre en arXiv presenta FastBench, un banco de pruebas para modelos de lenguaje y visión que interpretan video continuo. Sus autores estudian escenas con movimientos rápidos, donde tomar pocos fotogramas puede ocultar acontecimientos necesarios para responder correctamente.
El conjunto contiene 306 preguntas y respuestas distribuidas en ocho dominios y seis capacidades. Para construirlo, los investigadores combinaron clips de alta frecuencia, seguimiento de trayectorias, verificación de respuestas y tres rondas de inspección humana. Descartaron preguntas que podían resolverse viendo únicamente dos fotogramas por segundo.
En las pruebas descritas, Gemini-3.5-Flash obtuvo el mejor resultado, con un 50,7%. Qwen3-VL-8B pasó del 32,9% al 44,6% al aumentar el muestreo de dos a 24 fotogramas por segundo. Son resultados de este estudio, no una clasificación general de modelos. Los autores proponen además ProactiveFrame, una estrategia sin entrenamiento adicional que conserva observaciones recientes más densas y comprime el historial. Aunque mejora frente al muestreo uniforme, sigue lejos de una selección ideal de momentos relevantes. El trabajo es un preprint sin revisión por pares confirmada y señala límites en la percepción temporal actual.