DIVE基准评测全双工视觉交互模型

研究者提出 DIVE 基准，用于评估多模态大模型在连续真实音视频流中的全双工交互能力。该基准包含 525 个带精细人工标注和时间元数据的音视频样本，覆盖主动介入、持续参与和交互协调三类场景共六项任务。 评测显示，领先实时模型平均响应延迟低于 1 秒，但平均窗口响应率仅 53.77% 或更低；根据新到达信息调整进行中的回答尤为困难。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。