一段视频平均88.8分钟，问题没有选择项，还可能要求模型回忆半小时前的画面或主动发出提醒。香港科技大学、小红书、香港大学和香港中文大学推出StreamArena，用243段完整视频和3646个开放题测试流式视频智能体。
现有基准多用短片和选择题，模型只处理最后四帧也可能追平复杂系统。StreamArena把实时感知、历史回溯、主动交互和工具使用放进同一条连续音视频流，答案必须符合提问当时可获得的证据。
所有视频至少一小时，证据和提问分别标时间
数据覆盖影视、教程、发布会、电商直播、第一视角、体育、访谈七类内容。视频最长134.2分钟，189段为中文音轨。30名博士级标注员起草问题，两名独立标注员交叉回答和纠错，第三人盲审；约27%的草稿被淘汰。
论文图1：红框是回答所需证据，蓝框标记提问或主动响应发生的时刻。
每个问题都记录查询时间和证据时间。模型若在事件发生前就读取未来片段，即使答对也不算合格。开放式回答还减少了从选项文字反推答案的捷径。
记最近画面、写文字摘要，都各有代价
只保留近期帧的系统响应快，却无法找回很久以前的事件。AURA的历史回溯准确率在五分钟内为25.4%，证据间隔超过30分钟后降到10.5%。把过去画面压成文字能节省存储，但颜色、位置和细节会被摘要丢掉；反复压缩视觉记忆也会积累损失。
团队设计StreamMind，把前台交互和后台记忆分开。前台处理当前请求与持续监控，后台异步写入分层事件、实体关系和关键帧，并负责召回与外部搜索。
论文图2：前台负责低延迟交互，后台持续构建可检索的多模态记忆。
四项能力领先，绝对成绩仍不高
在共享Qwen3.5-397B-A17B骨干的比较中，StreamMind相对各项最强流式基线提升53.7%至228.1%，汇总查询延迟降低66.2%。这些是相对增幅，基线绝对分数普遍偏低，不能解读成四类任务已接近解决。
论文图3：诊断子集比较帧数、分辨率和推理模式变化对准确率的影响。
数据以中英文网络长视频为主，工具任务还依赖搜索环境和模型骨干。它更适合诊断系统设计取舍，尚不能代表摄像头、机器人或可穿戴设备全天运行时的可靠性。
