MOSS-VL-Realtime 是否支持多路视频？

[chenqp]

MOSS-VL-Realtime 是否支持多路视频？

[Jihuai-wpy]

感谢关注！「多路视频」这个说法可能指三种不同的场景，在此我们分别说明一下：

1. 一次输入包含多个视频（多视频 / 图文视频交错输入）
支持。MOSS-VL 系列原生支持文本、单图与多图、单视频与多视频，以及图文交错输入，离线场景直接用 MOSS-VL-Instruct 即可。

2. 多路并发的实时流（多个摄像头或多个用户同时接入同一服务）
这属于部署层面的并发问题，不是模型能力限制。当前一个模型实例只支持一个活跃的实时会话，需要多路并发可以起多个实例，或者用 SGLang 做调度（发布当天已提供支持）。

3. 单个会话内同时理解多个机位 / 视角（安防多宫格、车载环视这类，需要模型把几路画面当作同一时刻的不同视角来关联推理）
我们没有针对这个场景做过专门训练。不过训练数据里有一部分第一人称数据本身带有多机位性质，所以模型可能具备一定的相关能力，但预期会比较弱，不建议直接用在依赖跨视角对齐的生产场景。

另外从接口层面说明一下：实时推理是按绝对时间戳逐帧输入的单流形态，多路同时送入会在同一时间戳上冲突。工程上常见的绕法是把多路画面拼成一张宫格图当作单流送入，或者也可以通过交错的方式，但每路的有效分辨率会被摊薄。

方便的话可以补充下你的具体场景（摄像头数量、是否需要跨视角关联、离线还是实时），我们可以在后续的版本中支持。