11月1日消息，谷歌联合斯坦福、牛津及多所美国高校的研究团队提出视频智能体StreamVibe，目标是让AI判断何时该主动开口。团队构建了约4100个样本、超过183小时日常与软件操作录像的基准，覆盖明确指令、模糊目标与中途变更三类场景。基于Qwen3.5-9B训练的StreamVibe-VL逐秒决定是否出声，第二阶段用强化学习让其更克制。结果显示其响应时机与质量较其他模型提升10.7%，记忆系统可再提升12.3%的主动交互。但在超过五分钟的视频中，各模型普遍难以找准时机。

来源：全球资讯与公开媒体报道