Google StreamVibe 论文揭示长视频流中状态追踪误差累积导致性能骤降

Google DeepMind 联合斯坦福、牛津等机构发布 StreamVibe-VL，这是一个基于 Qwen3.5-9B 构建的视频智能体，旨在解决现有助手难以理解模糊意图和动态变更指令的问题。该模型通过强化学习训练减少不必要的打断，并引入独立记忆系统追踪任务状态，在 ProactiveBench 基准测试中响应时机和质量比基座模型提升 10.7%。

尽管整体表现优于开源模型，但论文披露了关键的性能衰减机制：当处理超过五分钟的长视频时，所有测试模型因无法有效追踪自身历史回复而导致错误累积，内容指标下降高达 61.5%。相比之下，Gemini 3.8 Flash 在部分测试中得分更高，而 StreamVibe-VL 在处理如 GIMP 教程或制作果酱吐司等具体任务时，能提供更具体的下一步建议而非单纯描述画面。

事实层面，StreamVibe-VL 确实提升了主动交互能力，但在长上下文下的状态保持仍是瓶颈；推断层面，这意味着当前 AI 在需要长时间连续观察的复杂工作流（如组装家具）中仍可能产生幻觉或重复建议；猜测层面，这种架构迁移到端侧设备可能会面临更大的延迟挑战，因为实时状态更新需要额外的计算开销。