ChronoReplay: одна VLM отвечает на пространственные запросы в реальном времени

Препринт arXiv 2610.34283v1 описывает метод ChronoReplay — цикл обучения с воспроизведением, позволяющий одной vision-language модели одновременно отвечать на категориальные, метрические и навигационные запросы по непрерывному видеопотоку. На A100 обработка кадра занимает 18 мс, точность SOO достигает 94,7%, ошибка дистанции — 0,22 м, mIoU — 0,77.

• Обработка кадра 512 px на A100 занимает 18 мс при 55 кадрах/с
• Точность SOO 94,7%, ошибка дистанции 0,22 м, mIoU 0,77
• Буфер воспроизведения на 5% данных устраняет забывание задач
• Память модели с буфером — 9 ГБ против 10 ГБ у базовой линии