arXiv · 机器人与计算机视觉· Hairong Yin, Huangying Zhan, Shin-Fang Chng, Yi Xu, Raymond A. Yeh·· 2026-10-07AI 评分48
SpaTime:融合因果几何 token 的流式视觉语言模型实现时空推理
SpaTime: Streaming Vision-Language Models for Spatio-temporal Reasoning
AI 导读
SpaTime 是一种流式视觉语言模型,通过每帧融合因果几何 token 在视频到达过程中实时进行三维空间推理。该模型在 StreamVSTI-Bench 基准上达到 49.2% 整体准确率,将平均响应时间误差较最强基线降低 66%,解决了传统离线 VLM 需完整视频的局限。
来源:arXiv · 机器人与计算机视觉 · arxiv.org