في عصر يتزايد فيه الاعتماد على الفيديوهات التفاعلية، يبرز نظام StreamPro كمبتكر رائد يدفع حدود الفهم الاستباقي للبث الفيديو. يتطلب الفهم الاستباقي معالجة مستمرة لمحتوى الفيديو، مما يجعل من الضروري على النماذج اتخاذ قرارات حول متى يجب الاستجابة بدلاً من مجرد تحديد ماهية الاستجابة. تواجه هذه العمليّة تحديًا رئيسيًا يتمثل في التوازن بين التنبؤ المبكر والحصول على أدلة كافية لدعم تلك القرارات.

ومع ذلك، يتبع معظم المعايير الحالية نموذج "انظر ثم أجب"، حيث يتم تحفيز الاستجابات فقط بعد توفر دليل واضح. هذا النهج يعيق فعالية التفكير الاستباقي، حيث يجعله يتصف بالتنّبه المتأخر. من هنا، تأتي الحاجة لتقييم قدرة النموذج على اتخاذ القرارات في الوقت المناسب بناءً على معلومات جزئية.

يعد تدريب النماذج الاستباقية تحديًا في حد ذاته، يعود أساسًا إلى الفجوة الكبيرة بين إشارات السكوت وإشارات الاستجابة في مسارات البث، بالإضافة إلى ضرورة تحسين كل من دقة الاستجابة وتوقيتها بشكل متزامن.

للتغلب على هذه التحديات، تم تقديم StreamPro-Bench - معيار جديد يقيم نماذج البث من ثلاث وجهات نظر تكاملية: فهم الإدراك (Perception Understanding)، التفكير الزماني (Temporal Reasoning)، والوكالة الاستباقية (Proactive Agency)، حيث تقيس القدرة على اتخاذ قرارات مبكرة وموثوقة في ظل ملاحظات جزئية.

أضف إلى ذلك، يتم تقديم إطار تدريب من مرحلتين يسمى StreamPro مخصص للتعلم الاستباقي. في المرحلة الأولى، يتم تقديم خسارة CB-Stream للتخفيف من اختلالات الإشراف القاسية خلال عملية التخصيص تحت الإشراف. بعد ذلك، يتم استخدام تحسين السياسة النسبية الجماعية (Group Relative Policy Optimization - GRPO) مع تصميم مكافأة متعدّد المستويات يشمل مكافآت على مستوى التحول والمستوى الزمني.

تشير النتائج التجريبية إلى أن StreamPro يحسن بشكل كبير من الأداء الاستباقي. وقد حقق على معيار StreamPro-Bench ما يعادل 41.5، مما يتفوق بشكل كبير على أفضل النتائج السابقة التي كانت 10.4، مع الاحتفاظ أيضًا بأداء قوي على معايير البث المباشر، حيث حقق 78.9 في StreamingBench-RTVU.