Streaming-video-forståelse — hvor systemet skal svare direkte på et uafsluttet videoforløb — har hidtil krævet tunge tilføjelser som inferens-tids hukommelse, retrieval og komprimering. Men et nyt papir fra Hugging Face viser, at en træningsfri baseline med et glidende vindue allerede matcher disse komplekse systemer. Spørgsmålet er så, hvor langt man kan komme med post-training alene.
Svaret er StreamOPD, en opskrift der kombinerer verificerbare streaming-video-data, on-policy distillation (OPD) i tænke-tilstand og deployment i instruktions-tilstand. Resultatet: StreamingBench stiger fra 77,9% til 83,9% — inden for 0,3 point af en 9B-lærer — og OVO-Bench (ekskl. hallucinations-detektion) forbedres med 9,1 point under uændret inferens. Det sker uden ekstra inferensomkostninger, hvilket er afgørende for praktiske anvendelser.
En særlig variant, Spatio-Temporal CueGate (ST-CueGate), udnytter lærerens fordele ved at aggregere likelihood-ratioer mellem cue og ikke-cue i en gruppe-relativ responsscore, der re-vægter OPD. Den når 71,9% på OVO-Bench (ekskl. HLD) og 64,9% på Video-MME, og er den eneste variant, der forbliver over basismodellen på alle fire benchmarks. Endnu mere interessant: Hvis man erstatter læreren med en frossen kopi af elevens egen initiale politik — on-policy self-distillation — bevares de fleste gevinster, og HLD løftes til 57,0%, over både den utrænede elev og 9B-læreren. Det viser, at abstention-tab ikke er iboende i opskriften.
For beslutningstagere betyder det, at man kan opnå markante forbedringer i streaming-video-forståelse uden at investere i dyr inferens-infrastruktur. Metoden er transparent og reproducerbar, hvilket gør den til et solidt udgangspunkt for open-source-projekter og produktudvikling. Spørgsmålet er, om self-distillation kan lukke hele kløften til store lærere — og om metoden skalerer til andre domæner.
