當(dāng)視頻大模型在 MVBench、VideoMME 等離線基準(zhǔn)上越跑越高分，真實(shí)交互場(chǎng)景卻卡在兩個(gè)硬問(wèn)題：如何處理無(wú)界的視頻流、如何讓模型在動(dòng)態(tài)的視頻流中決定回答時(shí)機(jī)。

近期，香港浸會(huì)大學(xué)聯(lián)合騰訊優(yōu)圖實(shí)驗(yàn)室提出Streamo，其核心創(chuàng)新在于：將‘何時(shí)回答’變成模型要預(yù)測(cè)的 token，通過(guò)端到端訓(xùn)練框架把離線視頻模型直接轉(zhuǎn)化為實(shí)時(shí)流視頻助手。Streamo 能夠處理真實(shí)場(chǎng)景的視頻流，支持實(shí)時(shí)的多指令交互，實(shí)現(xiàn)實(shí)時(shí)解說(shuō)、動(dòng)作理解、事件定位、實(shí)時(shí)問(wèn)答等不同任務(wù)，讓 streaming video assistant 真正走向可用。

• 論文標(biāo)題：Streaming Video Instruction Tuning
• 論文主頁(yè)：https://jiaerxia.github.io/Streamo/
• 論文鏈接：https://github.com/maifoundations/Streamo
  

1. 問(wèn)題分析

為什么視頻大模型目前還無(wú)法成為一個(gè)實(shí)時(shí)的交互助手？雖然視頻大語(yǔ)言模型近年來(lái)取得了令人矚目的進(jìn)展 ——Qwen2-VL、LLaVA-Video 等模型在視頻理解、問(wèn)答、描述等任務(wù)上屢創(chuàng)新高。然而，關(guān)鍵的卡點(diǎn)在于這些模型是基于完整視頻片段的離線場(chǎng)景設(shè)計(jì)的，而真實(shí)世界的交互需求往往是 "邊看邊說(shuō)" 的實(shí)時(shí)流式場(chǎng)景。

離線視頻理解范式假設(shè)在推理前可以獲取完整視頻，模型由此能在全局審視后再輸出答案，因此在視頻描述、視頻問(wèn)答等任務(wù)中表現(xiàn)突出。然而，真實(shí)世界的流式場(chǎng)景并不滿足這一前提。

視頻流本質(zhì)上是無(wú)界的，模型無(wú)法 “看到未來(lái)”，只能基于當(dāng)前幀及時(shí)做出判斷；又因?qū)崟r(shí)性要求，不能等視頻播放結(jié)束才給出結(jié)果，必須在關(guān)鍵事件發(fā)生的當(dāng)下響應(yīng)。同時(shí)，用戶指令可能隨時(shí)到來(lái)，模型需要持續(xù)監(jiān)聽(tīng)并在合適的時(shí)機(jī)觸發(fā)響應(yīng)。更復(fù)雜的是，不同應(yīng)用對(duì)響應(yīng)粒度的要求并不一致：有的任務(wù)需要幀級(jí)的即時(shí)敘述，有的則更適合在完整事件結(jié)束后再做總結(jié)與描述。

現(xiàn)有方法通常通過(guò)拆分決策模塊來(lái)適配流式場(chǎng)景：先由一個(gè)模塊判斷 “是否應(yīng)該響應(yīng)”，再調(diào)用離線模型生成內(nèi)容。但這種方案存在明顯缺陷：決策模塊如果過(guò)于輕量，就難以理解復(fù)雜指令和跨時(shí)間的上下文依賴；如果設(shè)計(jì)得過(guò)于龐大，又會(huì)拉高推理延遲，削弱流式交互所需的實(shí)時(shí)性。更關(guān)鍵的是，決策與生成彼此分離，使模型很難在持續(xù)變化的輸入中形成連貫、及時(shí)的響應(yīng)。

Streamo 的核心洞察在于：決策與生成不應(yīng)被拆開(kāi)，而應(yīng)統(tǒng)一到同一個(gè)端到端框架中，讓模型直接學(xué)會(huì)“什么時(shí)候該說(shuō)話，以及該說(shuō)什么”。

2. Streamo：

端到端的決策響應(yīng)統(tǒng)一架構(gòu)

通過(guò)這種方式，Streamo 將“是否響應(yīng)”與“生成什么內(nèi)容”統(tǒng)一到同一個(gè) next-token prediction 過(guò)程中。也就是說(shuō)，模型在預(yù)測(cè)下一個(gè) token 時(shí)，不再只是生成文本內(nèi)容，同時(shí)也在完成響應(yīng)時(shí)機(jī)的判斷。這樣一來(lái)，決策和生成共享同一語(yǔ)義空間，模型能夠在連續(xù)變化的視頻內(nèi)容中聯(lián)合建模時(shí)序線索、任務(wù)目標(biāo)與語(yǔ)言輸出，從而更自然地學(xué)習(xí) “何時(shí)該立即回應(yīng)、何時(shí)應(yīng)繼續(xù)等待”。

同時(shí)，這一設(shè)計(jì)并不需要額外引入獨(dú)立的決策頭或外部控制器，而是直接將三種狀態(tài) token 融入標(biāo)準(zhǔn)的自回歸訓(xùn)練框架中。這樣既保留了與現(xiàn)有監(jiān)督微調(diào)范式的兼容性，也使訓(xùn)練和推理流程更加簡(jiǎn)潔高效，便于直接復(fù)用現(xiàn)有基礎(chǔ)設(shè)施進(jìn)行并行訓(xùn)練和部署。

3. Streamo-Instruct-465K

訓(xùn)練流式助手的核心挑戰(zhàn)在于：不同任務(wù)對(duì)應(yīng)不同的響應(yīng)節(jié)奏—— 有的需要秒級(jí)實(shí)時(shí)輸出，有的則應(yīng)等待事件結(jié)束后再總結(jié)。這意味著訓(xùn)練數(shù)據(jù)不僅要提供內(nèi)容監(jiān)督，還要給出清晰、一致的時(shí)間邊界，告訴模型什么時(shí)候該沉默、什么時(shí)候該等待、什么時(shí)候該回答。

為此，研究者構(gòu)建了Streamo-Instruct-465K。該數(shù)據(jù)集包含約 46.5 萬(wàn)條指令樣本，來(lái)源于 135,875 段視頻，整合了 ActivityNet、YouCook2、QVHighlight 等多個(gè)公開(kāi)數(shù)據(jù)源，并在統(tǒng)一協(xié)議下重新標(biāo)注。標(biāo)注過(guò)程采用多階段自動(dòng)化流程，結(jié)合 Qwen2.5-VL-72B、GLM-4.5 等大模型生成候選描述，再通過(guò)一致性過(guò)濾與后處理，盡可能保證時(shí)間邊界準(zhǔn)確、文本表達(dá)連貫。

在任務(wù)設(shè)置上，Streamo-Instruct-465K 具有多任務(wù)、多粒度的特點(diǎn)。同一段視頻可以被標(biāo)注為不同形式的流式任務(wù)，包括實(shí)時(shí)旁白（Real-time Narration）、事件字幕（Event Caption）、動(dòng)作字幕（Action Caption）、事件時(shí)序定位（Event Grounding）以及時(shí)變問(wèn)答（Time-sensitive QA）。這些任務(wù)覆蓋了從連續(xù)解說(shuō)到事件總結(jié)、從動(dòng)作級(jí)描述到在線定位和動(dòng)態(tài)問(wèn)答等不同場(chǎng)景。

更重要的是，所有任務(wù)都被統(tǒng)一到同一種時(shí)間監(jiān)督框架中：每一輪標(biāo)注不僅包含文本輸出，還明確對(duì)應(yīng)模型當(dāng)下應(yīng)處于沉默、等待還是回答狀態(tài)。這樣一來(lái)，模型學(xué)習(xí)的就不只是 “說(shuō)什么”，還包括 “何時(shí)說(shuō)”，從而具備適應(yīng)不同流式任務(wù)的響應(yīng)能力。

多任務(wù)數(shù)據(jù)標(biāo)注演示：

對(duì)于同一段視頻，標(biāo)注可以隨任務(wù)目標(biāo)呈現(xiàn)不同形式：在實(shí)時(shí)旁白中，模型需要跟隨畫(huà)面持續(xù)輸出；在事件字幕中，則只在關(guān)鍵事件結(jié)束后給出總結(jié)；在時(shí)變問(wèn)答中，答案會(huì)隨著視頻進(jìn)展不斷更新。對(duì)應(yīng)地，每個(gè)時(shí)間點(diǎn)都會(huì)標(biāo)注模型應(yīng)保持沉默、繼續(xù)等待，還是立即響應(yīng)。

4. 實(shí)驗(yàn)結(jié)果

在 OVO-Bench 上，Streamo-7B (2fps) 以57.86%的平均性能超越 Dispider13.83個(gè)百分點(diǎn)。在三大能力維度上全面領(lǐng)先：實(shí)時(shí)感知能力達(dá)到67.44%（相對(duì) Dispider 的 54.55% 提升+12.89%）；回溯追蹤能力達(dá)到49.18%（相對(duì) Dispider 的 36.06% 提升+13.12%）；前向響應(yīng)能力達(dá)到56.96%（相對(duì) Dispider 的 34.72% 提升+22.24%）。同時(shí)，Streamo 在1fps 訓(xùn)練的模型可直接在 2fps 下評(píng)估，性能提升4.66%, 展現(xiàn)出強(qiáng)大的泛化能力。

Streamo-Instruct vs 現(xiàn)有數(shù)據(jù)

Streamo 的性能提升不僅來(lái)自訓(xùn)練框架，也高度依賴于高質(zhì)量的訓(xùn)練數(shù)據(jù)。與廣泛使用的 ET-Instruct-164K 相比，Streamo-Instruct在 OVO-Bench 上的整體性能提升了11.79%，在關(guān)鍵的前向主動(dòng)響應(yīng)任務(wù)上提升了7.1%，并且避免了混合離線數(shù)據(jù)（如 LLaVA-Video）所帶來(lái)的 “在線能力退化” 問(wèn)題。

實(shí)驗(yàn)進(jìn)一步揭示了一個(gè)重要現(xiàn)象：直接混合離線數(shù)據(jù)可能會(huì)削弱模型的在線能力。例如，ET-Instruct 與 LLaVA-Video 結(jié)合后，雖然實(shí)時(shí)感知能力有所提升，但前向響應(yīng)表現(xiàn)反而下降。這表明，離線監(jiān)督范式與流式學(xué)習(xí)目標(biāo)之間存在一定沖突。相比之下，Streamo-Instruct 通過(guò)專門(mén)設(shè)計(jì)的流式標(biāo)注與統(tǒng)一的時(shí)間監(jiān)督，有效避免了這一問(wèn)題。

5. 結(jié)論

實(shí)現(xiàn)真正的實(shí)時(shí)多模態(tài)助手（直播理解、智能駕駛提醒、安防巡檢、運(yùn)動(dòng)教學(xué)等），最難的往往不是 "答對(duì)"，而是在合適的時(shí)間點(diǎn)做合適的輸出。Streamo 不僅解決了當(dāng)前視頻大模型的關(guān)鍵瓶頸，提供了一個(gè)可復(fù)用的技術(shù)路線來(lái)將靜態(tài)感知模型轉(zhuǎn)換為動(dòng)態(tài)交互智能體，同時(shí)提供了一個(gè)統(tǒng)一時(shí)間標(biāo)注的大規(guī)模流視頻指令數(shù)據(jù)，推動(dòng)流視頻理解的發(fā)展。

6. Demo

https://mp.weixin.qq.com/s/Q28azqwk-PtsXoep2i0_0Q

該 demo 展示了流視頻模型在連續(xù)視頻輸入下的實(shí)時(shí)理解與響應(yīng)能力。模型能夠隨畫(huà)面進(jìn)展動(dòng)態(tài)決定何時(shí)沉默、何時(shí)等待、何時(shí)回答，在保證時(shí)效性的同時(shí)提升響應(yīng)的準(zhǔn)確性與連貫性。對(duì)于尚無(wú)明確答案的問(wèn)題，模型會(huì)等待更多信息后再作答；對(duì)于答案隨時(shí)間變化的問(wèn)題，模型能夠持續(xù)更新輸出；同時(shí)，它還支持基于歷史視頻內(nèi)容的回溯式問(wèn)答。

作者介紹:

本文第一作者為香港浸會(huì)大學(xué)計(jì)算機(jī)系博士生夏佳爾，主要研究方向?yàn)槎嗄B(tài)大模型，包括多模態(tài)思考，流視頻理解與交互，以第一作者在CVPR，ICCV，AAAI等頂級(jí)會(huì)議發(fā)表多篇文章。導(dǎo)師為香港浸會(huì)大學(xué)計(jì)算機(jī)系周鍇陽(yáng)助理教授。