TeleEgo|流式全模态第一人称评测基准
背景与动机 第一人称AI助手指的是能够通过可穿戴设备（如智能眼镜、头戴相机）从用户的第一人称视角持续观察世界，理解用户正在做什么、看到什么、与谁交流，并在需要时提供智能帮助的AI系统。与传统的语音助手或聊天机器人不同，第一人称AI助手需要“看到”用户眼前的场景、“听到”周围的对话、“记住”过去发生的事情，并在恰当的时机主动或被动地给出建议。要真正实用，这些助手必须同时具备三项紧密整合的核心能力：
记忆能力，能够保留并回忆不断增长的过去信息流；
流式决策能力，能够在连续的音视频输入中及时做出判断；
多模态理解能力，能够以统一的方式解释摄像头看到的内容、麦克风听到的声音以及用户通过语言表达的意图。
现有benchmark在评估第一人称AI助手的这些能力时存在三大缺陷：
评估模式割裂，不能同时测记忆和实时性能：部分benchmark仅测试离线长期记忆（如X-LeBench），部分仅测试短窗口流式理解（如StreamingBench、VStream-QA）；
缺乏真实第一人称流式场景：大多数数据集使用第三人称或静态视频（如OVBench、StreamingBench、OVO-B ...