StreamArena：迈向持续、交互式和长时程的智能体流式视频理解
StreamArena是一项用于评估多模态智能体长期处理连续视频流能力的基准测试。数据集包含243段完整视频，平均时长为88.8分钟，以及3646组经过严格标注的开放式问答。评估内容包括实时感知、历史事件回溯、主动交互和多模态工具使用。结果表明，仅保留最近帧的方法无法找回较早事件；将过去观测转换为文本会丢失视觉证据；反复压缩视觉记忆则难以长期保留细节。研究还提出了StreamMind双层架构，将对延迟敏感的交互处理与持久多模态记忆的异步构建、历史检索分开执行。StreamMind在四项能力上均优于现有流式基线，并通过复用持久状态降低查询到回答的延迟。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。