视频模型不再只认当前画面：同一批实体跨时间配对，未来轨迹与事件一起预测

场景演化理解被定义为一个独立任务：给定观测视频，模型要估计实体历史，并预测一条场景延续，延续由未来轨迹和事件组成，还要附上来自观测运动的视觉证据与场景描述。 此前大型多模态模型需要理解实体随场景发展如何移动和交互，这要求跨时间跟踪同一实体，并把观测到的运动与后续变化关联起来。 SceneForesee基准用成对的观测场景与未来场景、共享实体身份来评测实体连续性和场景演化推理，包含144.57K时间对、1.05M实体对应和272.49K与观测证据配对的事件。

EvoSee通过共享候选状态和联合分配来学习未来几何与事件语义，每个实体从观测中选出一条延续，再用选中的变化做实体细化、保留和场景表示。 该框架把预测出的实体变化带入时空推理，而不是只把演化当作一个附加预测目标。 在SceneForesee上，EvoSee的Combined Point-F1比Qwen3.5-9B高10.45点，Event Global F1高17.24点；在4D推理基准Dyn-Bench上，问答准确率和grounding J&F分别比各自基线系统高4.8点和3.58点。

该工作面向需要跨时间跟踪实体并预测场景延续的视频理解场景，评测依托SceneForesee的成对观测与未来场景，以及Dyn-Bench的4D推理问答与grounding。项目地址已给出，供读者查看实现与数据。

材料以摘要形式给出，未说明EvoSee在SceneForesee和Dyn-Bench之外的表现，也未给出跨域或真实部署条件下的验证；场景演化作为动态表示的有效范围仍以所报告的两个基准为限。