多轮交互评测

HAVE-Bench：从感知到交互的层级化音视频评测基准

HAVE-Bench: Hierarchical Audio-Visual Evaluation from Perception to Interaction

做音视频多模态的视觉研究者可把 HAVE-Bench 的三级认知层级（感知-推理-交互）与多轮交互标注协议当作评测模板，用来诊断模型在语音驱动视觉问答上相对文本-图像设定的性能落差，并据此设计跨模态推理能力迁移的训练目标。