串流影片問答遇到畫面缺失、問題含糊或個人資料不足時，模型往往只能繼續等待，甚至猜出答案。AskStream 是一個串流影片理解 benchmark 與資料集，把 WAIT、ASK、ANSWER 放進多輪互動流程，實際測試模型能否找出不確定性、問對問題，再在資訊足夠時回答。
它涵蓋 Food & Dining、Sports、Clothing、Daily Life、Film & TV、Repair、Education、Travel 和 Technology 九類影片，共 438 段影片、1,401 條問題，以及 2,714 個人工標註的 frame-level time windows。每段影片平均有 3.2 個互動回合，資料再按 Video Uncertainty 和 User Uncertainty 拆成四類任務、八個 subtasks，適合檢查模型是只懂回答，還是懂得主動索取缺少的證據。
- 同時評估 When to Ask、What to Ask、When to Answer 和 What to Answer
- 支援 multiple-choice 及 open-ended 評測
- Ask-F1 同時反映提問時機、提問內容和回答決策
- 最強模型目前只有 52.18% Ask-F1，主動尋找資訊仍然困難
使用者可從 GitHub、Hugging Face dataset、論文及 project page 了解資料和評測入口；提供的資料沒有列出完整安裝流程、推理程式或硬件要求，因此不能據此承諾特定 GPU、記憶體配置或本地執行方式。研究團隊、影片理解模型開發者和多模態 agent 評測項目較適合採用它，尤其是需要處理直播、教學、維修或含個人背景問題的場景。它的價值不在單次答案準確度，而在揭示模型何時應該停止等待、向誰問甚麼，以及取得資訊後能否及時作答。