背景
機器學習模型通常依賴人類標註的範例來學習識別物體，這假設標註者在開始前對類別有清晰且穩定的定義。然而，在內容審核、策展或識別「健康食物」等主觀領域，類別邊界並非固定，會隨文化背景或個人觀點改變。傳統工作流程要求使用者提供僵化的標籤，卻未考慮使用者對概念的理解是隨著接觸實際範例而逐步演化的。 官方原文・Google Research Blog
發生什麼事
Google Research 研究員 Otilia Stretcu 與學生研究員 Leijie Wang 於 2026 年 11 月 4 日發布 Agile Deliberation 框架，並同步在 GitHub 開源相關程式碼與資料集。該框架旨在解決主觀視覺分類的挑戰，透過互動式審議工作流，從界定子類別到解決邊界案例，利用 LLM（大型語言模型）驅動的優化迴圈自動建立準確且對齊的分類器。 官方原文・Google Research Blog 官方原文・github.com
重點內容
Agile Deliberation 將定義主觀概念的複雜任務拆解為兩個結構化階段：概念範圍界定（concept scoping）與概念迭代（concept iteration）。在概念範圍界定階段，系統引導使用者將廣泛概念分解為結構化的子概念層級與明確排除項。例如，將「健康食物」分解為「沙拉」、「穀物碗」等正面子類別，以及「加工食品」等排除項，建立初始結構基準。 官方原文・Google Research Blog
在概念迭代階段，系統使用 VLMs（視覺語言模型）主動挖掘並呈現語意上處於邊界的影像，挑戰當前的文字定義。這不同於傳統主動學習僅為了最小化機器不確定性而選擇範例，而是透過呈現模糊邊緣案例（如水果冰沙是否屬於健康飲料），驅動使用者反思隱藏假設並更新規則。使用者回饋直接進入自動提示優化迴圈，使 VLM 的分類邊界隨使用者定義同步調整。 原文
研究團隊透過 18 場各為 1.5 小時的即時使用者測試評估該框架，測試領域包括「健康食物」與「Pay-to-Play」（識別線上娛樂或遊戲中承諾誤導性財務獎勵的點擊誘餌影像）。結果顯示，Agile Deliberation 的 F1 分數比自動分解基準高出 7.5%，比手動審議高出 3% 以上。參與者報告概念理解更清晰，且認知負荷較低。 官方原文・arxiv.org 官方原文・Google Research Blog
對使用者的意義
該框架適用於信任與安全團隊建立內容審核過濾器、策展人塑造數位收藏，或科學家分類複雜視覺資料。使用者無需成為提示工程師，只需檢視系統精選的邊界影像庫並提供自然回饋，系統會自動吸收意圖並更新模型。這減輕了手動調整提示詞時的認知疲勞與焦慮，讓使用者能更輕鬆地建立符合個人標準或專業知識的分類器。 官方原文・Google Research Blog
限制與未定事項
Agile Deliberation 的原型系統交錯執行大型向量索引上的影像檢索、從外部 URL 下載影像以及 LLM 呼叫，單一步驟可能需要幾秒到幾分鐘。若僅使用單一 API 金鑰，LLM 可能會受到速率限制。此外，該專案明確標示並非 Google 官方支援的產品。 官方原文・github.com
