这项由香港浸会大学周凯阳教授领导、联合腾讯优图实验室共同开展的突破性研究，发表于2024年12月的计算机视觉顶级会议论文集，研究编号为arXiv:2512.21334。有兴趣深入了解的读者可以通过该编号查询完整论文内容。
当你在观看直播时，主播可能会问"现在屏幕上有几个人？"或"刚才那个动作叫什么？"传统的AI就像一个总是迟到的学生，必须等你把整个视频看完才能回答问题。而这项研究开发的Streamo系统，就像一个机敏的助理，能够一边看直播一边实时回答各种问题，甚至预测接下来会发生什么。
传统视频AI的工作方式就像看录像回放——必须拿到完整视频才能分析内容。这种"马后炮"式的工作方式在直播、监控、实时互动等场景中完全派不上用场。研究团队意识到，真正有用的视频AI应该像人类一样，能够一边看一边理解，一边分析一边响应。
为了解决这个问题，研究团队创建了一个名为Streamo的系统，这个系统的核心创新在于给AI装上了"三种工作状态的开关"。就像一个经验丰富的客服代表，Streamo会根据当前看到的内容选择"保持沉默"、"准备回答"或"立即响应"。当直播中出现无关内容时，它选择静静观看；当相关事件正在发生但尚未完结时，它进入待机状态；只有当获得足够信息能够给出完整回答时，它才会开口说话。
更令人印象深刻的是，研究团队还构建了一个包含46.5万个样本的大规模训练数据集Streamo-Instruct-465K。这个数据集就像一本超级详细的"实时互动教科书"，包含了五种不同类型的任务训练：实时解说（像体育解说员一样描述正在发生的事情）、事件描述（总结发生了什么重要事件）、动作识别（识别具体的行为步骤）、时间定位（准确找到某个事件发生的时间段）、以及时间敏感问答（回答那些答案会随时间变化的问题）。
Streamo的工作原理可以用"智能交通指挥员"来比喻。传统AI就像只能在路口安装固定红绿灯的旧系统，而Streamo像是一个能够实时观察路况、灵活调整信号的智能指挥员。它会持续观察视频流，当发现有人问"现在路上有几辆车？"时，它不会等到所有车都通过路口才回答，而是实时观察并在合适的时机给出准确答案。
在数据处理方面，研究团队采用了一种巧妙的"多轮对话"训练方式。他们将长视频切分成一秒一秒的片段，每个片段都标记了明确的时间边界，就像给视频制作了详细的时间码表。在训练过程中，AI学会了在每个时间点判断应该采取什么行动：是继续观察、准备回应，还是立即给出答案。
为了解决训练中的"沉默时间过多"问题，研究团队设计了一个智能的权重调整机制。就像调教一个过于害羞的学生，他们使用特殊的"焦点损失"技术，让AI更容易学会何时应该开口说话，而不是总是选择保持沉默。这种技术会根据每个回答的难度和出现频率自动调整学习重点，确保AI既不会话痨般无休止地说话，也不会过于沉默错过重要的回应时机。
研究团队还开发了一个专门的测试基准Streamo-Bench，用来评估AI在复杂多任务场景中的表现。这个测试就像是给AI安排的"综合能力考试"，包含300个视频和3000个不同类型的任务。测试内容涵盖了前向时间定位（根据之前的内容预测未来事件的时间）、后向时间定位（根据后续内容回溯之前事件的时间）、实时解说、密集描述以及时间敏感问答等多个方面。
在性能表现上，Streamo在各种测试中都表现出色。在OVO-Bench这个权威测试中，Streamo-7B模型的综合得分达到55.61分，比之前最好的在线视频模型高出13.83分。更有趣的是，即使用1fps训练的模型在2fps测试中也能工作得很好，表明这种方法具有很强的适应性。
在离线视频理解能力方面，Streamo不仅保持了原有的分析能力，还有所提升。在MVBench、TempCompass、VideoMME等标准测试中，Streamo都取得了比基础模型更好的成绩。这就像是一个学会了即兴表演的演员，不仅没有丢失原有的剧本表演能力，反而因为实时反应能力的增强而变得更加全面。
在技术实现细节上，研究团队采用了端到端的训练方式，避免了传统方法中需要单独训练决策模块的复杂性。他们使用Qwen2.5-VL作为基础模型，冻结视觉编码器，只更新连接器和语言模型部分。训练过程使用单个epoch、512的批次大小和1e-5的学习率，每个视频被分割成一秒钟的片段，以1fps采样帧率进行处理。
研究团队进行了详细的消融实验，证明了焦点损失机制的重要性。在没有状态感知重新加权的情况下，模型性能会严重下降，因为类别不平衡问题会导致模型过度倾向于预测沉默状态。通过引入自适应的焦点权重和基于频率的alpha权重，模型能够更好地学习何时进行响应。
Streamo系统的应用前景广阔。在直播领域，它可以为主播提供实时的内容分析和观众问题回答；在监控系统中，它能够实时识别和报告异常事件；在教育场景中，它可以为在线课程提供实时的内容解释和问题解答；在娱乐领域，它能够为游戏直播或体育赛事提供智能解说。
与现有的在线视频模型相比，Streamo的优势在于其统一的端到端设计。以往的方法通常需要一个单独的决策模块来判断何时调用离线模型，这种设计不仅增加了计算开销，还限制了系统的响应灵活性。Streamo将决策制定和内容生成融合在一个统一的框架中，实现了更高效和准确的实时处理。
研究团队也诚实地指出了当前系统的局限性。主要挑战在于处理超长序列时的内存和延迟成本。随着视频流长度的增加，系统需要维护的上下文信息会急剧增长，这对硬件资源提出了更高要求。未来的改进方向包括集成KV缓存管理、视觉标记剪枝、滑动窗口注意力机制以及自适应帧压缩等技术，以提高训练和推理效率，扩展有效上下文长度。
这项研究的意义不仅在于技术层面的突破，更在于它为人工智能与实时视频内容的交互开辟了新的可能性。它展示了如何让AI系统真正理解动态变化的视觉世界，并能够像人类一样进行实时的理解和响应。随着直播、短视频、实时监控等应用场景的快速发展，这种能够进行实时视频理解的AI技术将变得越来越重要。
说到底，Streamo代表了视频AI从"被动分析"向"主动理解"的重要转变。它不再是那个只能在电影结束后才能告诉你剧情的AI，而是能够陪你一起看电影、实时回答你疑问的智能伙伴。这种技术进步不仅提升了AI的实用性，也为未来更加智能和互动的数字体验奠定了基础。对于普通用户来说，这意味着我们很快就能享受到更加智能、响应更及时的视频相关服务，无论是观看直播、学习在线课程还是使用监控系统，都会有一个真正理解我们需求的AI助手陪伴左右。
Q&A
Q1：Streamo和传统视频AI有什么区别？
A：传统视频AI就像看录像回放，必须等整个视频播完才能分析内容，而Streamo能够一边看直播一边实时理解和回答问题。它有三种工作状态：保持沉默、准备回答和立即响应，能够根据视频内容的变化灵活调整自己的行为，就像一个机敏的助理。
Q2：Streamo-Instruct-465K数据集包含哪些内容？
A：这是一个包含46.5万个样本的大规模训练数据集，就像一本超级详细的实时互动教科书。它包含五种任务类型：实时解说（像体育解说员描述正在发生的事）、事件描述（总结重要事件）、动作识别（识别具体行为）、时间定位（找到事件发生时间）以及时间敏感问答（回答随时间变化的问题）。
Q3：Streamo的实际应用场景有哪些？
A：Streamo的应用前景非常广泛，包括为直播主播提供实时内容分析，为监控系统提供异常事件实时识别，为在线教育提供实时内容解释，为游戏直播和体育赛事提供智能解说等。它能让AI真正参与到需要实时理解和响应的各种视频场景中。
