跳到主要內容
2026-11-02 日報
研究與評測

Google 等機構發表主動式影片代理 StreamVibe:每秒自主判斷發言時機,長程連續任務指標驟降逾 60%

The Decoder單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

查證回合用盡,未形成有依據結論

由 Google、史丹佛大學、牛津大學等機構組成的研究團隊發表主動式影片代理研究 StreamVibe,旨在讓 AI 能夠自主理解使用者當下需求,並在烹飪、組裝家具或軟體操作等情境中主動判斷何時發言協助。現有影片助理多需明確指令,難以捕捉模糊意圖且常因無法追蹤已完成步驟而重複提示;研究團隊從超過 183 小時的日常與軟體操作錄影中建構約 4,100 組範例作為評測基準,由 Gemini 2.5 Flash 生成時機建議並經 4 位人類評審一致審核,涵蓋明確指令、模糊目標與中途變更請求三種情境。 研究團隊基於 Alibaba 的 Qwen3.5-9B 訓練出 StreamVibe-VL 模型,能每秒自主決定發言或保持沉默,並藉由強化學習降低不必要的打斷,另配備獨立記憶系統追蹤待處理請求與已完成步驟。實驗數據顯示,StreamVibe-VL 在回應時機與品質上較其他模型提升 10.7%,記憶系統則讓主動互動表現額外提升 12.3%,整體表現優於基底與其他開源模型,但在多項測試中仍落後於 Google 專有的 Gemini 3.8 Flash。 該研究同時揭露當前多模態模型在持續長程運作上的瓶頸:當模型處理超過 5 分鐘的長影片且需基於自身先前的對話紀錄持續推論時,錯誤會隨時間累積,導致關鍵內容指標最高驟降 61.5%,極難在長時間跨度中準確掌握介入時機與動態變更的指令。
讀原始報導