VSAS-Bench：リアルタイム評価のための視覚ストリーミングアシスタントモデルのベンチマーク

ストリーミングビジョンランゲージモデル（VLM）は、指示プロンプトとオンラインの入力フレームストリームに基づいて継続的に応答を生成します。これはリアルタイム視覚アシスタントの中核的なメカニズムです。既存の VLM フレームワークは主にオフライン設定においてモデルを評価しています。これに対し、ストリーミング VLM の性能は、純粋な動画理解能力を超えた追加指標に依存します。具体的には、モデルの応答のタイミング性を反映する「能動性（proactiveness）」や、時間経過に伴う応答の堅牢性を捉える「一貫性（consistency）」などが含まれます。この限界に対処するため、私たちは新しいベンチマークである VSAS-Bench を提案します…