你在看一场直播：孩子们先在楼上黄色小桌旁读书，几分钟后镜头已经切走，你才问“他们可以去哪里看书？”视频助手既要记得早先的细节，又不能因为翻找旧画面而错过眼前的新动静。更难的是，它还得判断证据是否已经够了：太早回答会猜错，太晚回答又失去实时助手的意义。
OneStreamer 想把这三件事放进同一个过程：边看，边留下以后可能有用的记录，边判断何时应该开口。这里的“流式视频模型”，指视频仍在播放时便持续处理画面的模型；“主动响应”（Proactive Response）则意味着它不必等用户反复追问，可以在证据充分时自行回应。
论文作者报告，参数规模为 4B（约 40 亿参数）的 OneStreamer 在所比较的模型中，于八个流式视频理解与主动响应基准上都取得最高结果。不过这些数字全部来自 OneStreamer 论文自身；论文目前是 arXiv 预印本，材料没有提供同行评审、第三方复现或代码开放情况。因此，更值得看的不是一句“全面领先”，而是它提出的路线：让记录事实与回答问题变成同一种生成行为。
先做通用笔记，再等问题出现
普通视频问答常常围绕一个已经知道的问题寻找证据。真实直播却不是这样。模型看到某个动作时，并不知道几分钟后用户会问什么。早先看似无关的一张桌子、一本书或一次人数变化，都可能突然变得重要。
OneStreamer 因此使用“查询无关记忆”（Query-independent Memory）：问题还没出现，模型就先保存可能有用的事实。可以把它理解成看直播时做通用笔记，而不是拿到考题后才回头找答案。
这套机制名为 Proactive Hierarchical Caption Memory，简称 PHCM，即“主动分层字幕记忆”。它写两种笔记。第一种是局部细节描述，记录短时间内出现的物体、动作、场景和状态变化；第二种是较稀疏的事件摘要，只在一段事件结束后概括整体发生了什么。前者像逐段速记，后者像阶段小结。每条记录都与来源时间段对应，而且只能描述当时已经出现的内容。
模型处理新画面时，只保留近期视觉窗口，也就是最近一段画面的视觉信息。更早的画面离开窗口后，其文字记录仍留在上下文里。这样，模型回答后来问题时，可以同时读取“眼前画面”和“过去笔记”，不必重新访问全部历史视觉特征。
这不只是推理阶段临时外挂的记事本。训练时，OneStreamer 也要根据截至当前时刻已经看到的视频片段生成字幕。作者把记录证据和回答任务统一为一个连续生成过程：模型用不同控制标记表示继续观察、写局部记录、写事件摘要、暂时等待或正式回答。换句话说，它同时学习“现在处于什么状态”和“此刻该写什么”。
难点不只是答什么，而是什么时候答
主动助手很容易学成一个沉默的助手。视频的大多数时刻并没有新答案，训练数据里“继续等待”的状态会远多于真正开口的时刻。如果每个时间点一视同仁地监督，重复的沉默标签可能淹没少数关键决定。
OneStreamer 为此提出 Proactive State Transition Learning，简称 PSTL，即“主动状态转换学习”。它保留所有会触发输出的关键位置，再从“状态发生变化”和“状态继续维持”的位置中挑选有代表性的样本。没被选中的状态标记仍留在完整序列里，只是不参与状态损失的计算；字幕和回答文本仍接受完整监督。
这个设计的重点不是单纯少教一些，而是有选择地教。作者的消融实验中，PSTL 只监督了 27.5% 的已标注状态 token——token 可以理解为模型处理文本和控制信号时的基本单位——却在 ProactiveVQA、OmniMMI 和 OVO-Timing 上分别得到 48.7、36.6 和 41.6。使用全部状态、采用普通交叉熵损失的结果分别为 26.1、30.8 和 1.5；同样只保留 27.5%、但随机抽取状态的版本则为 26.6、27.4 和 1.4。这说明论文所报告的提升不能仅用“监督变稀疏了”来解释，挑哪些时刻更关键。
记忆没有挤掉眼前画面
长期记忆通常有一笔隐性成本：模型保留的历史越多，有限上下文就越拥挤，当前画面的细节反而可能被稀释。OneStreamer 的选择是把远处历史压成文字，同时给近期视觉信息留出固定空间。
在使用同一模型检查点和 Recent-16 近期视觉窗口的实验中，只看近期画面的 FIFO 方案在 OVOBench 的历史问答 ASI 指标上得到 63.5；保留生成字幕的 PHCM 提升到 71.6。与此同时，OVOBench 实时感知由 80.9小幅升至81.4，StreamingBench 实时感知由86.3升至86.9。也就是说，按作者的实验，留下文字笔记改善了对过去的追问，并未以实时感知下降为代价。
成本差异也很直观。在一段 360 秒的 OVOBench 样本上，保留完整视觉历史需要 62,094 个上下文 token、25.18 GB GPU 显存，首次输出等待时间为 4.560 秒。PHCM 使用 4,308 个 token、9.98 GB 显存，等待时间为 0.124 秒。相较只保留近期画面的 FIFO，它多出 1,272 个 token、0.29 GB 显存和 0.030 秒。作者据此认为，文字记忆用较小额外开销换来了对远处证据的访问。
数据也必须知道“证据何时够了”
为了训练这套行为，作者构建了 OneStreamer-1M，包含超过 100 万条 records，即训练记录，而不是 100 万个独立视频或全人工标注样本。数据由合成的流式字幕与问答，加上清洗后的开源数据组成。
其关键不只是给出答案，还要给答案安排合理时刻。局部字幕要等对应画面已经出现，事件摘要要等事件完成；问答则先定位证据区间，再寻找最早能够可靠支持答案的时间点。训练序列由此形成一条时间线：证据尚未出现时保持安静，证据正在形成时进入等待状态，足够回答时才输出。
这正是 OneStreamer 最值得关注之处。它没有把感知、记忆和开口时机拆成三个互不相干的模块，而是让模型通过同一种主动生成过程完成三件事。流式视频助手因而不再只是“等人提问的视频搜索框”，而开始接近一个持续在场的观察者：它知道哪些事情值得记，也学习何时证据已经足以打断沉默。
局限与未知
- 八个基准上的领先均为作者自报。不同基准的分数尺度也不相同，不能横向比较，更不能据此概括为所有视频场景中的全面领先。
- PHCM 保存的是模型自己生成的文字记录。论文展示了它对历史问答的帮助，但供稿没有给出错误记忆如何累积、修正或遗忘的系统分析。
- 效率数据来自一个 360 秒样本；主动响应和 PSTL 的结果也缺少误差范围与第三方复现，真实长时直播中的稳定性仍待验证。