交互式流式视频生成要解决的，不只是离线渲一段成片，而是在生成过程中持续接收多模态请求、完成指定状态变化，同时保住不该改的内容。StreamEval 按这一设定做统一基准，覆盖五类任务：数字人对话、数字人表演、世界生成、指令编辑、参考编辑。它包含 300 条脚本化用例，单条 15 到 300 秒，每条写明初始资产、按时间增量到达的请求，以及对状态变化与内容保持的显式要求。论文在全部用例上评估了 37 个不同模型。
评测把「做对」和「好看」拆开
评价沿四个维度展开：任务执行、状态一致性、视觉保真、视听协同，并落到十条任务相关指标，分值 0 到 100。和常见视频生成榜相比，这里更看重交互过程：请求陆续到达，系统须在时长约束下改对该改的，留住该留的。五类任务共同指向全模态、实时、可交互的流式生成。摘要未给出十条指标的定义和计分细则，能确认的只是设计意图——不用画质或身份保持代替请求是否执行成功。
最好的跟随分数仍很低
定量结果把短板指得很清楚。七个数字人表演模型中，Following 最高 36.90；文本条件世界生成的 Following 最高 25.93；三个已报告的参考编辑模型中，Edit Success 最高 15.00。这些是各组内最好成绩，且为百分制。论文据此认为：高视觉质量与身份保持，并不必然伴随可靠的请求执行或持续的状态一致；在时序与保持约束下把请求做对，仍是推进全模态实时交互系统的中心挑战。摘要未给出其余指标分布、37 个模型名单，也未说明各任务参评数量是否一致，因此不能外推所有任务都同等差，只能说 Following 与 Edit Success 这几项上，现有最好结果距满分仍远。
我的判断
StreamEval 的主要价值在于把流式交互写成可脚本化协议：有资产、有增量请求、有必须发生的状态变化和必须保住的内容，这比只报观感分更接近产品约束。适用边界很窄，它评的是这五类、15 到 300 秒的脚本交互，不是开放时长自由对话，也不是离线文生视频。局限同样明显：公开材料只有部分最高分和模型切片，缺少指标细则、人工或自动评测方式，以及 37 个模型是端到端还是级联。在这些补齐之前，把它读成「跟指令仍未过关」是稳妥的；读成某类模型已可部署，则证据不足。