科技媒體 marktechpost 今天（5 月 13 日）發(fā)布博文，報道稱蘋果公司聯(lián)合復(fù)旦大學(xué)，推出 StreamBridge 端側(cè)視頻大語言模型（Video-LLMs）框架，助力 AI 理解直播流視頻。
直播流視頻理解的挑戰(zhàn)與需求
傳統(tǒng)視頻大語言模型擅長處理靜態(tài)視頻，但無法適應(yīng)機(jī)器人技術(shù)和自動駕駛等需要實時感知的場景，在這些場景下，要求模型能快速理解直播視頻流內(nèi)容，并做出反應(yīng)。
現(xiàn)有的模型面臨兩大難題：一是多輪實時理解，即在處理最新視頻片段時需保留歷史視覺和對話上下文；二是主動響應(yīng)，要求模型像人類一樣主動監(jiān)控視頻流，并在無明確指令的情況下及時輸出反饋。
StreamBridge 框架與創(chuàng)新技術(shù)
為解決上述問題，蘋果公司與復(fù)旦大學(xué)的研究者開發(fā)了 StreamBridge 框架。該框架通過內(nèi)存緩沖區(qū)和輪次衰減壓縮策略，支持長上下文交互。
該框架還引入了一個輕量化的獨立激活模型，無縫集成現(xiàn)有視頻大語言模型，實現(xiàn)主動響應(yīng)功能。研究團(tuán)隊還推出了 Stream-IT 數(shù)據(jù)集，包含約 60 萬個樣本，融合了視頻與文本序列，支持多樣化的指令格式，旨在提升流式視頻理解能力。
StreamBridge 在主流離線模型如 LLaVA-OV-7B、Qwen2-VL-7B 和 Oryx-1.5-7B 上進(jìn)行了測試。結(jié)果顯示，Qwen2-VL 在 OVO-Bench 和 Streaming-Bench 上的平均分分別提升至 71.30 和 77.04，超越了 GPT-4o 和 Gemini 1.5 Pro 等專有模型。
Oryx-1.5 也取得了顯著進(jìn)步，而 LLaVA-OV 性能略有下降。Stream-IT 數(shù)據(jù)集的微調(diào)進(jìn)一步提升了所有模型的表現(xiàn)，證明了 StreamBridge 在流式視頻理解領(lǐng)域的強(qiáng)大潛力。 
