科技媒體 marktechpost 今天（5 月 13 日）發布博文，報道稱蘋果公司聯合復旦大學，推出 StreamBridge 端側視頻大語言模型（Video-LLMs）框架，助力 AI 理解直播流視頻。

直播流視頻理解的挑戰與需求

傳統視頻大語言模型擅長處理靜態視頻，但無法適應機器人技術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容，并做出反應。

現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，要求模型像人類一樣主動監控視頻流，并在無明確指令的情況下及時輸出反饋。

StreamBridge 框架與創新技術

為解決上述問題，蘋果公司與復旦大學的研究者開發了 StreamBridge 框架。該框架通過內存緩沖區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，無縫集成現有視頻大語言模型，實現主動響應功能。研究團隊還推出了 Stream-IT 數據集，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 上進行了測試。結果顯示，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 也取得了顯著進步，而 LLaVA-OV 性能略有下降。Stream-IT 數據集的微調進一步提升了所有模型的表現，證明了 StreamBridge 在流式視頻理解領域的強大潛力。