Google 推出 StreamVibe 主動式影片代理，改善回應時機與回答品質

研究在做什麼

Google 研究團隊指出，視覺語言模型（Vision-language models）正從離線被動理解轉向線上主動互動。然而，現有方法大多依賴明確的指令，忽略了使用者的隱性意圖（例如使用者瀏覽網站時「下一步該點哪裡」），且無法在使用者需求持續更新時同步更新狀態。這些限制使得現有模型難以應對實務中需要理解意圖的互動情境。 Hugging Face 每日精選論文

方法

為了解決上述問題，研究團隊推出了 StreamVibe-Bench 基準測試，作為使用者意圖互動的測試平台，包含 4.1K 個評估樣本與 85K 個訓練樣本，涵蓋明確、隱性及動態意圖。基於此基準，團隊開發了 StreamVibe-VL（串流主動式模型），能從連續的觀察中推斷隱性使用者意圖，並隨著意圖演變動態調整互動方式。此外，團隊還引入了 StreamVibe-Harness（透過階層式記憶維護使用者意圖作為持久狀態的機制），以追蹤最新的使用者意圖與環境狀態。 Hugging Face 每日精選論文

結果

實驗結果顯示，StreamVibe-VL 在保持強大的通用影片理解能力的同時，相較於其他基線模型，將回應時機與回答品質提升了 10.7%。研究也發現，現有的主動式模型在理解使用者意圖以及決定何時回應方面仍存在局限，特別是在處理隱性及動態意圖時。此外，StreamVibe-Harness 進一步提升了持續互動中的回應一致性與適應性，使主動式互動表現提升了 12.3%。 Hugging Face 每日精選論文

程式碼與資料

本站 2026-10-27 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：Google
• 程式碼：論文頁沒有列出公開的程式碼
• 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集