Google 与 UC Santa Barbara、Stanford、Oxford 等机构的研究者 10 月 26 日在 arXiv 发表 StreamVibe。目标是一个看着用户做饭、组装家具或操作软件的视频助手，能理解“我卡住了就帮我”这类没有明确触发条件的请求，并在用户中途改主意时跟着调整。论文包括三部分：区分显式、隐式和动态意图的基准 StreamVibe-Bench；每秒判断该沉默还是该说话的流式模型 StreamVibe-VL（再用强化学习让它少打断人）；以及用分层记忆跟踪待办请求和任务进度的 StreamVibe-Harness。
置信度：高（95） · 事件时间 2026-10-26
理由
- 现有视频助手多为“水开了提醒我”这种明确指令设计，论文指出它们很难判断该在什么时候主动帮忙，也记不住已经完成了哪些步骤，容易重复或给出过时建议。
- 据 The Decoder 对论文结果的转述，所有被测模型在长视频连续运行时都会因为错误累积而明显变差，超过五分钟的视频里很少能抓准开口时机；这说明“常驻的 AI 助手”离可靠还有距离。
- 据 The Decoder，StreamVibe-VL 看起来基于 Qwen3.5-9B，在多项测试中仍落后于 Google 自家闭源的 Gemini 3.8 Flash。
用法
- 论文 arxiv.org/abs/2610.34662，项目页 stream-vibe.github.io 有演示视频和示例；代码和抱脸权重标注“内部审批中，7 天内发布”。
风险
- 论文称 StreamVibe-VL 让响应时机与回答质量比基线提升 10.7%、Harness 让主动交互表现再提升 12.3%，均为作者自建基准上的结果，未经同行评审；基准样本由 Gemini 2.5 Flash 生成建议、四名人工评审一致通过后入选（据 The Decoder）。
- 代码和权重尚未发布，“7 天内”是项目页的说法；作者也承认真实场景比测试设置复杂。