电子竞技直播通常需要两个关键角色：导播决定当前播出哪个镜头，解说员则围绕画面进行实时评述。两者都必须基于过去的信息、在不知道下一秒会发生什么的情况下，逐秒做出判断。现有的流式视频语言模型虽然已经学会了解说，但它们的输入是经过人类导播剪辑后的成品画面，而非原始的多路视频流。
来自 arXiv 的论文《DirCast: Live Esports Directing and Commentary with a Single Streaming Video-Language Model》将问题推进到更前端的直播制作环节：模型直接接收每位选手的原始镜头，并同时承担导播与解说的双重任务。作者提出了 DirCast，一个单一的流式视频语言模型，能够从历史信息中独立完成镜头选择和解说生成。
DirCast 的工作机制是逐秒运行。每一秒，它以低分辨率扫描所有选手的摄像头画面，通过一个“保持或切换”的导播策略决定是否切换镜头以及切换到哪个镜头。一旦确定播出画面，模型会以高分辨率读取该画面，然后再生成解说词。这种设计在计算上非常高效，因为低分辨率扫描覆盖全部视角，而高分辨率处理仅针对最终选中的画面。
为了控制长时直播的计算成本，DirCast 的上下文管理策略只保留已经播出的画面和对应的解说内容，其他未播出的视角会逐渐过期并被丢弃。这样一来，无论直播持续多长时间，模型需要维护的上下文规模都被限制在一个有界范围内，避免了随着时间推移而无限增长的开销。
为了训练和评估模型，研究团队构建了一个专业数据集，包含 27 场 Dota 2 职业比赛。每场比赛都提供了每位英雄的独立摄像头视角，以及人类导播的镜头选择记录和人类解说员的 commentary。这为研究实时导播与解说提供了稀缺的多模态标注数据。
实验结果显示，DirCast 的导播表现优于基于规则的导播方法和零样本导播方案，其中包括 GPT-5 等强基线。在解说方面，采用 Proact-VL 评估协议，DirCast 生成的解说在与 GPT-4o 的对比中胜率达到 29.2%。作为参照，在十一个观看人类导播画面的流式解说模型中，表现最强的模型胜率仅为 19.4%。这表明 DirCast 不仅在导播任务上有效，其解说质量也显著超越了依赖成品画面的现有方法。
该论文已被 arXiv 收录，编号为 arXiv:2610.31734v1，属于计算机视觉与模式识别（cs.CV）领域，提交于 2026 年 10 月 22 日，共 18 页、6 幅图。作者为 Zixian Gao 等 8 人。这项研究展示了单一流式视频语言模型在实时直播制作中的潜力，为自动化电竞赛事转播提供了新的技术路径。