X-Stream：探索多模态大语言模型作为多流理解的多路复用器

尽管视频流理解已取得进展，但实时应用亟需连续的多流交互能力。现有基准仅局限于单流范式，缺乏对在线跨流推理的评估。为此，本文提出 X-Stream，首个 dedicated 多流流式理解基准，涵盖多窗口、多视图及多设备场景下的 11 个子任务。研究创新性地将多模态大语言模型（MLLMs）概念化为朴素多路复用器，并基于信号多路复用理论系统评估其性能。实验表明，当前最先进模型在并发流处理上表现不佳，得分仅约 50%，且缺乏主动性。该研究揭示了现有方案的权衡，为下一代多流智能体提供了评估协议与实证指导。