Streaming Vlm

StreamingVLM permite una comprensión estable en tiempo real de video efectivamente infinito al mantener un caché KV compacto (caché de clave-valor) y alinear el entrenamiento con la inferencia en streaming. Evita costos cuadráticos y trampas de ventana deslizante, funciona hasta 8 FPS en un solo H100 y gana un 66,18 % frente a GPT-4o mini en un nuevo benchmark de video largo. También mejora el VQA general (Visual Question Answering) sin ajuste fino específico para tareas. Puedes captar la esencia al hojear primero esta sección.