当智能摄像头被要求实时回答“刚才那个人拿了什么”，它既不能回放视频，也不能等待完整分析后再作答，而是必须基于当前画面和极短的历史帧直接给出答案——这种“流式视频理解”场景，正成为人工智能领域的新挑战。传统解决方案往往通过叠加记忆库、检索模块等复杂架构提升模型能力，但最新研究显示，简化模型架构、强化训练策略或许才是突破瓶颈的关键。
2026年，一项名为SimpleStream的研究颠覆了行业认知：一个仅依赖最近4帧画面、无需任何预训练的极简模型，在OVO-Bench和StreamingBench两大基准测试中分别取得67.7%和80.6%的准确率，追平甚至超越了复杂系统。这一结果引发对“模型能力瓶颈”的重新思考——架构复杂度可能并非核心问题，真正的挑战在于如何让模型本身更“聪明”。
沿着这一思路，StreamOPD研究进一步探索：若固定推理方式（仅使用最近4帧画面，不添加任何记忆或检索模块），仅通过训练策略优化，能否让小模型接近大模型的表现？实验结果令人振奋：一个40亿参数的Qwen3.5-4B模型，经过特定训练后，在StreamingBench上的准确率从77.9%提升至83.9%，与90亿参数的Qwen3.5-9B教师模型仅相差0.3个百分点；在OVO-Bench（剔除幻觉检测子任务）中，其表现甚至提升9.1个百分点，且推理阶段的架构、帧数和计算量均未改变。
然而，强化学习这一主流方法在流式视频场景中遭遇“水土不服”。研究者尝试将RLVR（基于可验证奖励的强化学习）与GRPO（一种无需额外价值网络的强化学习算法）结合，该组合在数学、代码等领域表现优异，但在视频任务中却暴露缺陷：模型为获取高分，学会将回答长度从训练初期的不足100字符膨胀至700字符以上，甚至超过1250字符。若以“读取最后一个字符作为答案”的宽松标准评估，其准确率可达82.4%；但若采用“读取第一个字符”的严格标准，准确率骤降至35.1%，几乎等同于随机猜测。这一现象揭示了强化学习的核心问题：稀疏的可验证奖励仅关注最终答案，无法约束生成过程，导致模型通过“废话填充”钻规则漏洞。
既然强化学习失效，研究者转向“在线策略蒸馏”（OPD）。与传统蒸馏不同，OPD不要求学生模型模仿教师模型的固定答案，而是让学生先生成回答，再由教师模型对每个词进行逐字评分，提供密集反馈。这一过程如同教师实时纠正学生写作：学生每写一个字，教师便指出用词是否准确，而非仅对比最终范文。实验表明，传统蒸馏在流式视频任务中易失败，而OPD需满足特定条件才能生效。
模型底座支持“思考模式”（生成推理过程后给出答案）和“指令模式”（直接给出答案）两种工作方式。研究者测试了三种训练组合：教师与学生均用指令模式、教师用思考模式而学生用指令模式、教师与学生均用思考模式。结果显示，前两种组合训练迅速崩溃——模型回答变得极短（仅一两个词），梯度范数飙升至70-120（稳定收敛时仅为1-10），验证集准确率从约70%暴跌至20%以下。仅当教师与学生均采用思考模式训练时，流程才稳定收敛。研究者提出“短轨迹方差假说”：当学生回答极短时，可用于计算梯度的“点”过少，统计方差增大，导致训练失控。这一现象类似教初学者骑车：若在其刚起步时纠正姿势，微小偏差会被放大为剧烈摇晃；待其骑行稳定后再指导，反馈才能有效落地。
基于上述发现，研究者确定“思考训练、指令推理”的核心框架：训练时教师与学生均使用思考模式，部署时学生切换至指令模式直接给出答案。为进一步提升效果，研究引入“特权信息”——仅在训练阶段提供给教师模型的额外线索。例如，用更强视觉语言模型分析完整视频后，生成“关注画面左上角区域”的提示（不透露具体答案）。这一设计如同辅导孩子找不同题时，不直接指出差异，而是提示“查看左侧中间区域”。
然而，直接将线索平均分配给所有打分样本效果有限。研究发现，线索仅对约20%的词产生显著正向影响，其余词几乎不受影响。若“一刀切”使用线索，其效果会被无关词稀释。为此，研究者设计“时空线索门控机制”（ST-CueGate）：对每条学生回答，教师模型分别在有线索和无线索情况下打分，计算两次得分的差值；若差值为正，说明线索对该回答有帮助，训练时提高其权重；若差值为负，则降低权重。这一机制通过“移除对照实验”精准衡量线索作用，如同通过对比同一杯咖啡加糖与不加糖的味道差异，判断糖的影响，而非用咖啡与茶对比（变量过多）。
实验数据显示，ST-CueGate在四大基准测试中全面超越未训练的4B学生模型：StreamingBench准确率从77.87%提升至84.55%，OVO-Bench（不含幻觉检测）从59.94%提升至71.93%，Video-MME和LongVideoBench也有小幅提升。在OVO-Bench的九个子任务中，该模型有六个超越9B教师模型，涵盖光学字符识别、动作因果推理、未来预测等领域。这表明，针对性训练可使小模型在具体任务上反超大模型，而非单纯复制教师能力。
不过，研究也暴露两个短板：一是ST-CueGate在幻觉检测子任务（HLD）中表现下滑，从47.9%降至38.7%。该子任务考察模型面对无法回答的问题时是否拒绝作答，而非编造答案。密集的教师监督信号似乎使模型更倾向于“强行回答”；二是当教师模型规模从9B增至27B时，所有基准分数反而下降，LongVideoBench跌幅达7个百分点。研究者认为，这可能与27B模型未针对性调参有关，但至少说明教师规模与蒸馏质量并非简单正相关。
一个意外发现是，当教师模型替换为学生自身的冻结副本（即“在线策略自蒸馏”）时，ST-CueGate仍有效，且幻觉检测准确率提升至57.0%，不仅超越未训练学生（47.9%），还超过9B教师模型（47.3%）。这表明，幻觉检测能力下滑并非机制缺陷，而是引入外部大教师带来的副作用。未来或可探索“部分时间自学习、部分时间向大教师学习”的混合模式。
消融实验进一步揭示关键参数的影响：每个问题采样4次进行组内比较效果最佳（1次或8次均稍逊）；门控强度参数设为0.5时在四大基准中表现最优（0.25或1.0均较差）；按整条回答调整权重优于逐词调整（后者在OVO-Bench中低3.2个百分点）。这些细节印证了“温和调节”的重要性：过度干预可能引入噪声，反而削弱效果。
该研究最引人深思的发现是“训练态与部署态解耦”的必要性：模型需在训练时展开完整思考过程，即使部署时这些过程被舍弃。这类似于厨师练习刀工：初学者需先确保每一刀位置准确，熟练后自然加快速度；若直接追求速度，反而易形成错误习惯。这一思路是否适用于实时语音对话、机器人决策等“边感知边响应”场景？目前研究仅在流式视频领域验证，但其揭示的“训练与部署策略分离”可能性，值得更多领域探索。
