理解不断展开的世界

现实中的视觉经验很少被整齐地切成一张张图片。一次实验、一段旅程或一场比赛会持续很久，真正影响判断的线索却只在少数时刻出现。模型需要知道哪里发生了变化，也要记得这些变化前后怎样相连。我的第一条研究线索由此展开。我尝试把视频里的语义边界、事件锚点和查询相关信息组织起来，让有限输入保留足够完整的故事。

生成给这条路线补上了另一种可能。模型可以先提出事件描述、缺失状态或未来走向，再回到观测中寻找支持与冲突。这样的生成结果只是一组候选，价值来自它让模糊的内部状态变得可以检查。一个候选若找不到时间位置、视觉实体或前后因果的支持，就应该被修改或舍弃。理解因此有了可操作的中间对象。

我最终想做的系统，应当能一边接收持续到来的视频，一边维护对事件的当前理解。它知道哪些内容已经确认，哪些仍是假设，旧证据在什么时候需要重新查看。模型给出的答案只是这一过程的一个出口。更重要的是，答案背后的事件表示能够随着新信息到来继续更新，并保留足够清楚的证据来路。