清华与英伟达等推出 StreamEval：实时交互视频模型集体露短板

实时交互视频是过去一年最热的技术方向之一，模型密集发布、资本跑步入场，但一个基础问题始终没人认真回答：这东西到底该怎么测？

现有的视频评测工具，大多沿用「给一段提示词生成一段视频，再看画质」的框架。这套方法对离线生成有效，却几乎没有触及实时交互视频的核心难题——用户的指令是连续的。你在第10秒让它换件衣服，第40秒想换回来，第90秒又说还是第一件好看：每插一次话，模型都得同时搞明白三件事——现在要改什么、哪些东西不能动、之前改过的还算不算数。

考卷的设计： 针对这个空白，清华大学、NVIDIA、卡内基梅隆大学、加州大学伯克利分校、普林斯顿大学、新加坡国立大学等海内外高校与机构联合发起了评测基准 StreamEval。其设计要点包括：

1. 任务覆盖：数字人对话、虚拟人表演、世界生成、指令编辑、参考编辑五类任务，每类60个测试用例，合计300个。
2. 参评规模：覆盖38个AI实时视频模型。
3. 开放程度：论文、排行榜、代码、数据集与评分规则全部公开，强调可复现与可持续演进。
4. 评测维度：同时考察画面质量、人物身份一致性、已有场景保持与实时指令响应。

测出来的结论： 榜单结果显示，画面质量、人物身份保持和实时控制是相对独立的能力——模型能稳定生成一段漂亮的视频，并不等于它能可靠执行不断变化的指令。换句话说，「生成得好」和「听话」是两种本事，现有模型普遍在后者上露了怯。连续指令执行被明确为行业共同难题：指令一多、时间一长，模型容易顾此失彼，要么改错了对象，要么把之前的修改一并丢掉。

这份基准的产业价值在于把「体感」变成「分数」。此前厂商宣传多依赖单条演示视频，观众无法判断这是精心挑选的最佳案例还是稳定能力；有了公开榜单与固定测试用例，不同模型之间第一次有了可比的尺子。需要说明的是，评测基准本身也有边界：300个测试用例无法穷尽所有场景，评分规则的设计同样会影响结论，任何单一榜单都不应被视为最终裁决。

一句话收尾：实时视频这条赛道，缺的从来不是惊艳的demo，而是一把所有人都认的尺子。