arXiv 新增 + streaming video latent memory · P2 · 2026-06-17

What Should a Streaming Video：它和通用视觉自监督的关系在于：讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩

中高相关；详见方法、贡献和实验边界。

What Should a Streaming Video Model Remember?　arXiv 新增 + streaming video latent memory　原文链接

编号2606.16353 优先级P2 类别arXiv 新增 + streaming video latent memory 会议arXiv 新增 + streaming video latent memory 方法讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Overview of SelectStream**Figure 2: Overview of SelectStream. The model writes projected VLM visual embeddings into a budgeted latent memory graph, retrieves a query-conditioned evidence subgraph, and injects calibrated latent evidence tokens into a frozen MLLM for answer generation.这张图概括 What Should a Streaming Video 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 1 · : Motivation of SelectStream**Figure 1: Motivation of SelectStream. Relevant events may appear sparsely over a long stream, while later queries require evidence beyond the recent context. The example shows a counting question where inserted movie clips form sparse surprise peaks. The right panel illustrates the desired trade-off: stronger long-range memory and efficiency without sacrificing current-scene perception.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 What Should a Streaming Video 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩。

方法拆解

讨论流式视频模型到底该保留哪些 latent evidence，贴近长视频表征和 token/memory 压缩

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。