8 de outubro de 2026
| # | Modelo | Score | Δ | |
|---|---|---|---|---|
| 01 | Gemini-3.5-Flash | 50.7% | — | |
| 02 | Qwen3-VL-8B (2 FPS) | 32.9% | — | |
| 03 | Qwen3-VL-8B (24 FPS) Sampling denso | 44.6% | — | |
| 04 | ProactiveFrame Baseline sem fine-tuning | não divulgado | — |
O FastBench é um novo benchmark para avaliar o desempenho de Video Large Language Models (VLMs) em cenários de streaming de vídeo com alta dinâmica — situações em que eventos acontecem rápido e a janela de contexto é limitada. O estudo, publicado em 8 de outubro de 2026, revela um gargalo técnico: mesmo os modelos líderes do mercado, como o Gemini-3.5-Flash, não conseguem superar a barreira dos 51% de acerto em tarefas de QA baseadas em vídeos reais de alta frequência.
O desafio do vídeo dinâmico
Benchmarks anteriores priorizavam cenários estáticos ou de baixa dinâmica, onde sampling esparso (1–2 quadros por segundo) era suficiente. O FastBench inova ao exigir que VLMs processem e compreendam eventos rápidos, como movimentos bruscos ou múltiplas ações em sequência, simulando situações reais em streaming — como câmeras de segurança, esportes ou direção autônoma.
O pipeline do FastBench inclui geração de perguntas e respostas a partir de clipes de alta taxa de quadros, filtragem de questões que poderiam ser respondidas em sampling lento, verificação de respostas com ferramentas automáticas (SAM3, CoTracker3) e rounds de validação humana. O conjunto cobre 306 pares de QA em oito domínios e seis tipos de habilidade, incluindo análise instantânea e retrospectiva.
Resultados: limites dos VLMs atuais
O Gemini-3.5-Flash marcou 50,7% de acerto, sendo o melhor entre os testados. O Qwen3-VL-8B subiu de 32,9% (2 FPS) para 44,6% (24 FPS) quando exposto a sampling mais denso, mas os ganhos saturam rapidamente à medida que o contexto histórico é comprimido para caber no orçamento de tokens. O baseline ProactiveFrame, que alterna sampling denso e esparso sem treinamento extra, superou sampling uniforme em até 5,4 pontos, mas ainda ficou distante do “oracle” — um sistema que sabe exatamente quando focar na resolução temporal fina.
O resultado central: VLMs atuais têm dificuldade em perceber quando devem aumentar a resolução temporal para captar eventos críticos. Mesmo com sampling alto, o acúmulo de contexto acaba diluindo a informação relevante.
Por que importa
Aplicações que dependem de vídeo streaming — como monitoramento em tempo real, análise de esportes ou direção assistida — exigem percepção refinada de eventos rápidos. O FastBench mostra que o salto dos VLMs atuais para casos reais de alta dinâmica ainda está distante. Para o mercado brasileiro, onde câmeras em cidades e soluções de segurança são ubiquas, a limitação aponta a necessidade de arquiteturas ou estratégias de sampling mais inteligentes, e reforça que benchmarks tradicionais não refletem o desafio do mundo real.
O código e os dados do FastBench estão disponíveis para a comunidade, abrindo espaço para novos avanços em VLMs de streaming.