在无人机(UAV)场景中，语言引导的航拍感知旨在理解用户指定的微小目标。由于无人机在飞行中需要实时响应，因此这种感知以在线流的方式运行，帧按顺序到达，模型对每一帧进行响应，而无法访问未来帧。然而，将现有的多模态大语言模型(MLLMs)应用于此场景面临两个挑战。首先，从空中观察的目标通常很小，但现有MLLMs中的视觉压缩对所有区域的处理相同，导致细微细节被丢弃。其次，理解连续流需要过去帧的上下文，但在资源受限的机载硬件上保留整个历史是不切实际的，而丢弃历史则可能导致目标漂移或消失。
我们从数据和方法两个角度解决了小目标和流媒体的挑战。从数据角度来看，我们提出了DroneEyes，这是第一个像素级和开放词汇的参考分割数据集，专为微小航拍目标设计，包含$2,140$个高清晰度视频和$176,623$对对象描述及参考表达任务，提供密集的每帧掩码。
从方法角度，我们提出了SkyAnchor，这是一个具有两项设计以应对上述挑战的MLLM：一个语义感知的令牌路由器，可以在减少视觉令牌预算的情况下保留小目标，和一个层次化记忆库，能够在流中保持对目标的一致理解。