VSAS-BENCH: 視覚ストリーミングアシスタントモデルのリアルタイム評価

arXiv cs.CV / 2026/4/10

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

VSAS-BENCHは、リアルタイムの視覚ストリーミングアシスタント（streaming VLM）を評価するために特化した新しいベンチマークフレームワークとして導入され、オフラインの動画理解に留まらない指標に焦点を当てる。
このベンチマークには、時間的に密な注釈（18,000件以上）、多様なドメインとタスクタイプが含まれ、標準化された同期評価および非同期評価のプロトコルを提供する。
先読み性（応答の適時性）と一貫性（時間経過に対する応答の頑健性）を別々に測定するための指標を導入し、ストリーミング挙動のより明確な分析を可能にする。
大規模な実験により、メモリバッファ長、メモリ参照ポリシー、入力解像度などの要因を通じて、精度—遅延のトレードオフを評価し、実用的な設計インサイトを得る。
本研究は、従来型のVLMは追加トレーニングなしでストリーミングに適応でき、適応したモデル（例：Qwen3-VL-4B）がVSAS-BENCHにおいて従来のストリーミングVLMを上回ることを示す。