·技术, 多模态
1 分钟0
全双工语音模型精读⑪：流式视频理解 VLM 全景——从音频全双工到'边看边想边开口'
> 本文基于开源文献地图仓库 Awesome-VLM-Streaming-Videohttps://github.com/ydyhello/Awesome-VLM-Streaming-Video（京东探索研究院维护）做一次领域全景梳理。它汇集了 2024–2026 年"流式/在线视频理解"方
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读：领域地图——从全双工语音到'边看边想边开口'
> 本文是「流式视频理解 VLM 精读」系列的开篇（总览/索引篇）。系列素材来自开源文献地图 Awesome-VLM-Streaming-Videohttps://github.com/ydyhello/Awesome-VLM-Streaming-Video（京东探索研究院维护），它汇集了
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读①：主动交互——模型到底应该何时开口？
> 这是「流式视频理解 VLM 精读」系列第 1 篇。上一篇是领域地图，这篇扎进最核心也最微妙的问题：流式视频模型凭什么决定自己"该不该开口、什么时候开口"？ 一个看似简单、实则很难的问题 人陪你看球赛，进球时会喊"进了！"，但不会每分钟都喊。这份"何时说话"的直觉，对 VLM 而
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读②：长时记忆——无限视频流怎么记住？
> 这是「流式视频理解 VLM 精读」系列第 2 篇。上一篇讲"何时开口"，这篇讲"开口时还记得什么"——视频是无限流，但模型的注意力窗口和显存是有限的，怎么做到"几个小时后还记得之前发生的事"？ 记忆问题的本质 看过几小时球赛，人记得"上半场有个越位没吹"。但 VLM 做不到直接
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读③：实时推理——怎么才够快？
> 这是「流式视频理解 VLM 精读」系列第 3 篇。前两篇解决"要不要说、还记得吗"，这篇解决一个更现实的问题：就算你又主动又记得住，如果不够快，体验直接归零。视频是实时的，模型响应也要接近实时。 实时推理的两大硬指标 流式视频模型的"快"不是玄学，业界普遍盯着两个数： 1.
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读④：边看边想（Streaming + CoT）——模型看视频时能「想一想」吗？
> 这是「流式视频理解 VLM 精读」系列第 4 篇。前三篇分别讲了"开口、记忆、速度"，这篇是一个既有"智能"又有"品味"的新方向：让模型一边看视频一边输出推理（Chain-of-Thought），并且学会把握"想多久才算够"。 为什么"边看边想"这么难？ 单看"看视频后再推理"
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读⑤：评测与数据——30+ 个 benchmark 看懂门道
> 这是「流式视频理解 VLM 精读」系列的收尾篇。前四篇讲了"开口、记忆、速度、思考"四项技术，但这一切的前提是——我们要能正确衡量"模型到底懂不懂流式视频"。这篇把本领域 30+ 个 benchmark 与训练数据集盘一遍，帮你看懂门道。 为什么要专门的"流式"评测？ 普通视频