本研究探讨了多模态大型语言模型（MLLMs）在流媒体视频理解方面的不足。通过引入StreamingBench基准，评估了MLLMs在视觉理解和上下文理解等方面的能力。研究发现，现有模型在流媒体视频理解上的表现远低于人类水平，为未来研究提供了方向。