# 流式视频理解

流式视频理解要在还不知道后续会问什么的情况下保留证据，而现有方法压缩历史时容易把事件之间的变化抹平，且一旦帧过去就无法找回被省略的细节。DeltaStreamer把相邻帧的视觉变化显式记录进分层文本记忆，并在问题到达后由查询驱动的规划器决定检索、继续观察还是回放历史帧。在OVO-Bench与StreamingBench上，其总分分别为66.07%和59.53%，高于所比较的代表性流式方法。

流式视频理解要在还不知道后续会问什么的情况下保留证据，而现有方法压缩历史时容易把事件之间的变化抹平，且一旦帧过去就无法找回被省略的细节。DeltaStreamer把相邻帧的视觉变化显式记录进分层文本记忆，并在问题到达后由查询驱动的规划器决定检索、继续观察还是回放历史帧。在OVO-Bench与StreamingBench上，其总分分别为66.07%和59.53%，高于所比较的代表性流式方法。

该工作提出 APM-Bench，把第一视角流式交互重构为多会话生活轨迹（549 段会话、104 条轨迹、2,719 个候选问题，平均每条轨迹 69 分钟视频），在跨会话理解、实时感知与自适应响应三类能力上评测通用视频模型与八种专用记忆系统，并设置证据可用性感知测试，结果显示存在明显的效用—延迟—存储权衡：原始视频记忆跨会话表现最强但需 GiB 级存储与高延迟，文本摘要把存储降到 KiB 级却损失跨会话性能，事件结构化记忆在专用系统中效用最好，而自适应响应即使给出丰富历史仍然困难。

该工作提出 APM-Bench，把第一视角流式交互重构为多会话生活轨迹（549 段会话、104 条轨迹、2,719 个候选问题，平均每条轨迹 69 分钟视频），在跨会话理解、实时感知与自适应响应三类能力上评测通用视频模型与八种专用记忆系统，并设置证据可用性感知测试，结果显示存在明显的效用—延迟—存储权衡：原始视频记忆跨会话表现最强但需 GiB 级存储与高延迟，文本摘要把存储降到 KiB 级却损失跨会话性能，事件结构化记忆在专用系统中效用最好，而自适应响应即使给出丰富历史仍然困难。

该工作提出AsyncLLM——一个基于Python asyncio的async/await编程模型、让预训练LLM以并发协程方式观察、推理与行动的通用异步智能体框架，通过CacheBlock（注意力KV缓存与Gated DeltaNet循环状态）与cache view实现协程间实时共享记忆，并在流式视频理解、ViZDoom游戏和DevOps-Gym系统监控三类任务上，用同一族Qwen 3.x视觉语言模型在无任务特定训练的情况下完成异步运行。

该工作提出AsyncLLM——一个基于Python asyncio的async/await编程模型、让预训练LLM以并发协程方式观察、推理与行动的通用异步智能体框架，通过CacheBlock（注意力KV缓存与Gated DeltaNet循环状态）与cache view实现协程间实时共享记忆，并在流式视频理解、ViZDoom游戏和DevOps-Gym系统监控三类任务上，用同一族Qwen 3.x视觉语言模型在无任务特定训练的情况下完成异步运行。

TRACE 提出一个条件感知的流式视频理解基准与评测框架，把时间有效性、执行条件与运行结果显式化，在来自 517 段视频的 1240 条记录上以八种配置评测八个公开模型或系统，发现几乎相同的问答准确率可能掩盖完成率、答案有效性与生成工作量的巨大差异，而主动响应表现会分离为响应质量、响应延迟、误报与漏报四个维度。

TRACE 提出一个条件感知的流式视频理解基准与评测框架，把时间有效性、执行条件与运行结果显式化，在来自 517 段视频的 1240 条记录上以八种配置评测八个公开模型或系统，发现几乎相同的问答准确率可能掩盖完成率、答案有效性与生成工作量的巨大差异，而主动响应表现会分离为响应质量、响应延迟、误报与漏报四个维度。