打破視頻推理「先看後想」慣性，實現真正的「邊看邊想」
背景與應用場景
監控告警、機器人互動、自動駕駛等任務，都需要AI在處理視訊時「邊看邊想」，而非先完整觀看後才進行推理。這種需求推動了視訊推理技術的演進。
技術實現方式
為實現流式感知視訊，越來越多方法採用「幀文交錯」（frame-text interleaving）的方式，讓模型在觀看視訊的同時，即時進行推理與決策，大幅提升反應速度與實時性。
相關技術發展
- 在CVPR’26上，Kimi團隊提出技術路線，強調「邊看邊想」的視訊推理模式，並指出深度學習2.0將迎來重大突破。
- 谷歌DeepMind亦提及此議題，認為當AI能實現「邊看邊想」，將能更有效處理複雜情境，如基因資料分析與多國新聞整合。