利用野外流式视频

视觉语言模型（VLM）在视频通话助手等应用中需处理无界视频流，但现有模型缺乏流式能力与专用基础设施。本文从三方面填补空白：首先，构建 Streaming-Train-248K 数据集及新训练目标以适配流式交互；其次，提出 Streaming Harness 系统，赋予任意 VLM 主动交互、长时记忆（12 小时上下文）及实时处理能力；最后，设计 Streaming-Eval 基准以评估多样场景下的流式能力。实验表明该方法显著提升了流式视频理解的核心性能。