科技媒體 marktechpost 今天（5 月 13 日）發(fā)布博文，報(bào)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(yǔ)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(yǔ)言模型擅長(zhǎng)處理靜態(tài)視頻，但無(wú)法適應(yīng)機(jī)器人技術(shù)和自動(dòng)駕駛等需要實(shí)時(shí)感知的場(chǎng)景，在這些場(chǎng)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(shí)時(shí)理解，即在處理最新視頻片段時(shí)需保留歷史視覺和對(duì)話上下文；二是主動(dòng)響應(yīng)，要求模型像人類一樣主動(dòng)監(jiān)控視頻流，并在無(wú)明確指令的情況下及時(shí)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(guò)內(nèi)存緩沖區(qū)和輪次衰減壓縮策略，支持長(zhǎng)上下文交互。

該框架還引入了一個(gè)輕量化的獨(dú)立激活模型，無(wú)縫集成現(xiàn)有視頻大語(yǔ)言模型，實(shí)現(xiàn)主動(dòng)響應(yīng)功能。研究團(tuán)隊(duì)還推出了 Stream-IT 數(shù)據(jù)集，包含約 60 萬(wàn)個(gè)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(cè)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。