视频助手该不该先开口？StreamVibe 把“什么时候闭嘴”做成了基准

Hugging Face Daily Papers 10月27日排第二的论文叫 StreamVibe，作者包括 Chengzhi Liu、Yue Cao 等，论文页挂了 Google 标识。它想解决的问题很具体：视频模型已经能看懂画面，但大多等用户明确下指令。真实交互里，用户经常不把话说全，意图还会变。

论文把这类交互拆成三类意图：显式、隐式、动态。显式是用户直接问；隐式是用户没问，但动作已经暴露需求，比如浏览网页时想知道下一步点哪；动态是需求在过程中变化。现有方法主要依赖显式请求，对隐式意图和连续状态更新处理有限。

StreamVibe 给了三件套。第一是 StreamVibe-Bench，4.1K 评测样本和 85K 训练样本，覆盖显式、隐式、动态意图。第二是 StreamVibe-VL，一个流式主动模型，从连续观察里推断隐式意图，并随意图变化调整交互。第三是 StreamVibe-Harness，用分层记忆把用户意图存成有生命周期的持久状态，跟踪最新意图和环境状态。

实验给了三个结论：StreamVibe-VL 保留通用视频理解能力，响应时机和答案质量比基线提升 10.7%；现有主动模型在理解用户意图、判断何时响应上仍有限，隐式和动态意图下更明显；StreamVibe-Harness 在持续交互里提升响应一致性和适应，主动交互性能再涨 12.3%。

评论区有个更实际的问题。有网友说，这种能盯到你伸手拿第三颗咖啡胶囊的主动视频代理，是那种周末会想做个原型的项目。另一位网友追问：主动视频代理需要明确什么时候保持安静。做饭助手每次你拿刀都开口，很快会被关掉，论文有没有测误打断？

这个问题比 10.7% 和 12.3% 更接近产品生死线。主动交互的价值在减少操作成本，风险在增加打扰。模型要判断意图是否稳定、当前响应是否值得打断、用户会不会已经自己解决。论文用基准和记忆机制把问题摆上桌，但真实场景里的误打断率、用户耐心和退出成本，还得看后续评测。

论文链接：Hugging Face Papers，arXiv。视频来自 AK 的推文。