流式视觉语言模型（Streaming VLM）需要根据指令和实时输入帧流连续生成回复，这是实时视觉助手的核心机制。然而，现有VLM评估框架主要面向离线场景，忽略了流式模型特有的指标——如主动性和一致性。为此，论文提出VSAS-Bench，一个面向流式视觉助手的新框架和基准。与以往基于单一问答的基准不同，VSAS-Bench包含超过18,000个时序密集标注，覆盖多种输入域和任务类型。它引入了标准化的同步和异步评估协议，以及能分离并衡量流式VLM不同能力的指标。

利用该框架，论文对近期视频和流式VLM进行了大规模评估，分析了关键设计因素（内存缓冲区长度、内存访问策略、输入分辨率）下的准确率-延迟权衡，得出若干实用结论。一个关键发现是：传统VLM可以不经额外训练直接适配流式场景，且适配后的模型优于专门设计的流式VLM。例如，Qwen3-VL-4B在异步协议下以3%的绝对优势超越了当前最优流式VLM Dispider。该论文已被ICLR 2024的“我们离AGI还有多远？”研讨会接收。