StreamOPD：ストリーミング動画理解のための時空間手がかりゲーティングを備えたポストトレーニング・レシピ

要旨

ストリーミング動画理解では、展開中の動画のうち因果的に観測されたプレフィックスに基づいて直接応答することが求められる。既存システムは推論時メモリ、検索、圧縮を追加するが、訓練不要のスライディングウィンドウベースラインがすでにそれらに匹敵する。そこで我々は、メモリを使わない直近ウィンドウプロトコルを固定し、ポストトレーニングだけでどこまで到達できるかを問う。検証可能な報酬を用いる強化学習はこの設定に適さず、長い「思考してから回答する」生成を助長する。一方、オンポリシー蒸留(OPD)は、生徒の軌跡に対してトークン単位の密な教師監視を提供するが、両モデルが思考モードで訓練された場合にのみ安定する。これらの観察から、検証可能なストリーミング動画データ、思考モードOPD、およびインストラクトモードでの展開を組み合わせた手法StreamOPDが導かれる。これはStreamingBenchを77.9%から83.9%へ引き上げ(9B教師モデルと0.3ポイント差)、推論を変更せずにOVO-Benchの幻覚検出サブタスク(HLD)を除いたスコアを9.1ポイント改善する。教師特権の拡張として、時空間CueGate(ST-CueGate)は、キューあり・キューなしの教師尤度比を集約してグループ相対応答スコアを算出し、OPDを再重み付けする。これはOVO-Bench(HLDを除く)で71.9%、Video-MMEで64.9%に達し、4つのベンチマークすべてでベースモデルを上回る唯一の変種である。教師を生徒の初期ポリシーの凍結コピーに置き換えるオンポリシー自己蒸留は、これらの利得の大部分を保持し、HLDを57.0%まで引き上げ、未訓練の生徒と9B教師の両方を上回る。したがって、棄権による損失は本手法に内在するものではない。我々は、オープンソースのストリーミング動画研究のための透過的で再現可能なリファレンスを提供する。

English

Streaming video understanding demands direct responses from the causally observed prefix of an unfolding video. Existing systems add inference-time memory, retrieval, and compression, yet a training-free sliding-window baseline already matches them. We therefore fix a memory-free recent-window protocol and ask how far post-training alone can go. Reinforcement learning with verifiable rewards fits this regime poorly, encouraging long ``think-then-answer'' generations, while on-policy distillation (OPD) supplies dense token-level teacher supervision on student trajectories but is stable only when both models train in thinking mode. These observations lead to StreamOPD, a recipe combining verifiable streaming-video data, thinking-mode OPD, and instruct-mode deployment. It raises StreamingBench from 77.9% to 83.9%---within 0.3 points of the 9B teacher---and improves OVO-Bench excluding its hallucination-detection subtask (HLD) by 9.1 points under unchanged inference. As a teacher-privilege extension, Spatio-Temporal CueGate (ST-CueGate) aggregates cue-versus-no-cue teacher likelihood ratios into a group-relative response score that reweights OPD. It reaches 71.9% on OVO-Bench (excluding HLD) and 64.9% on Video-MME, and is the only variant that stays above the base model on all four benchmarks. Replacing the teacher with a frozen copy of the student's initial policy---on-policy self-distillation---retains most of these gains and lifts HLD to 57.0%, above both the untrained student and the 9B teacher, so abstention loss is not intrinsic to the recipe. We provide a transparent and reproducible reference for open-source streaming-video research.