标签
这篇论文提出 MaLoW（Memory as LoRA Weights），将流式视频的长期历史增量编码进固定大小的 LoRA 权重中，冻结主干模型并把当前观测保留在输入里，从而分离长期记忆与实时感知。该方法在 OVO-Bench 和 StreamingBench 上取得领先表现，并在机器人任务上也提升了成功率。
DeltaStreamer是一个开源智能体，通过观察帧间变化、构建结构化文本记忆并在需要时回溯视觉证据，实现类人化的连续流式视频理解，在OVO-Bench和StreamingBench上超越多种现有方法。
LOCI 面向流式视频世界模型提出了一种混合空间记忆架构，将键值缓存与一个以相机几何为条件的循环线性注意力记忆相结合。相比全 softmax 基线，它能更忠实地重现被重新观测到的内容，同时将峰值内存降低约 30%，并支持以恒定内存流式处理长视频。
APM-Bench 提出了一个针对第一视角流式视频助手跨会话持久记忆的基准，将真实世界交互重新建模为多会话人生轨迹（包含 549 个会话和 104 条轨迹），并评估现有记忆系统在效用–延迟–存储之间的权衡。
TRACE 引入了一个针对流式视频理解的条件感知基准和评估框架，明确考虑了时间有效性、执行条件以及超越准确性的多维度性能指标。
AlayaVista 是一种可控摄像头的流式视频世界模型，它将全景场景演化与透视视频合成解耦，并通过大规模的 MUGEN 数据集支持高保真交互式世界建模。
ReactVAU引入了一个用于实时流式视频异常理解的慢-快解耦框架，利用快速检测模块、持久化异常感知内存和按需慢速推理，以提高效率和性能。
StreamOPD通过使用在线策略蒸馏和时空线索门控的后训练方法，增强流式视频理解，在不依赖推理时内存的情况下实现了显著的基准改进。
StreamArena 是一个用于小时级交互式流式视频理解的基准测试，并配套了一种名为 StreamMind 的两层架构。该架构在实时感知、历史回顾、主动交互和工具使用方面均优于现有的流式基线方法。
GROVE是一个无需训练的框架，它从连续视频流中生长出时间分层记忆，同时支持反应式问答和主动式辅助。它在MM-lifelong和EgoServe等基准上取得了最先进的结果。
AlayaWorld 是一个全栈、开源的视频世界模型，能够生成720p、24帧/秒的流式视频，支持相机控制，实现动态场景创建。
OVO-S-Bench 构建了一个全面的人工标注基准测试，涵盖 348 个视频中的 1,680 道问题，用于评估多模态大语言模型的流式空间智能能力。结果显示，即便是表现最佳的模型（Gemini-3.1-Pro）也比人类专家低 27 分。该基准测试揭示了若干关键局限：以他者为中心的空间映射是主要瓶颈，而思维链推理则会放大空间错误。
介绍了TaskMem，一种基于强化学习的多模态代理动态记忆框架，在流式视频基准测试上实现了6.3%、7.0%和5.3%的准确率提升。
本文介绍了AdaState，一种在自回归视频扩散模型中用自适应状态替代静态首帧锚点的方法，该状态随生成内容而演变，从而在流式视频生成中实现更丰富的运动与自然场景推进。
OmniPro 是首个用于评估全模态大语言模型中主动流式视频理解的基准，包含 2,700 个样本，覆盖多种任务和双模式评估协议。
Stream-R1 提出了一种针对流式视频生成的可靠性-困惑度感知奖励蒸馏框架，通过自适应加权监督信号来提升视觉和动态质量，且不增加额外的计算开销。