Google öncülüğündeki bir araştırma ekibi, karmaşık görevlerde ne zaman söz alacağını kendi kendine belirleyen yeni bir video ajanı olan StreamVibe'yi tanıttı. Google, Stanford, Oxford ve çeşitli ABD üniversitelerinden araştırmacılar, kullanıcıların yemek pişirirken ya da mobilya monte ederken izleyip yalnızca gerektiğinde yardım sunacak bir asistan geliştirdi. StreamVibe sayesinde ekip, su kaynadığında birine haber vermek gibi basit komutların ötesine geçerek, kullanıcılar zorlandığında yardımcı olma gibi belirsiz istekleri anlayabilen bir video ajanı yarattı.
Mevcut video asistanları genellikle net komutlar için tasarlandıkları için, sözel olmayan niyetleri algılamak, tamamlanan adımları izlemek ya da kullanıcılar talimatları yarı yolda değiştirdiğinde uyum sağlamakta zorlanıyor. Bu sorunu ölçmek ve çözmek için ekip, Gemini 2.5 Flash ve insan değerlendiriciler kullanarak, günlük yaşam ve yazılım kayıtlarından 183 saatten fazla sürede 4.100 civarında örnek içeren bir benchmark derledi. Ardından, Alibaba'nın Qwen3.5-9B modeline dayanan ve her saniye sessiz kalıp kalmayacağına karar veren, pekiştirmeli öğrenme ve bekleyen istekleri izleyen ayrı bir hafıza sistemiyle desteklenen StreamVibe-VL modelini eğitti.
Araştırmacılara göre, StreamVibe-VL diğer modellere kıyasla yanıt süresi ve kalitesini %10,7 artırırken, hafıza sistemi proaktif etkileşimi %12,3 daha yükseltiyor ve gereksiz kesintileri azaltıyor. Özelleştirilmiş eğitim, StreamVibe-VL'nin birçok açık kaynaklı modeli geride bırakmasını sağlasa da, ekip tüm test edilen sistemlerde hataların birikmesiyle uzun videolarda sürekli çalışırken performansın hâlâ büyük ölçüde düşüş gösterdiğini fark etti. Neden önemli: Bu araştırma, video yapay zekasının uzun vadeli bağlam ve zamanlamayı korumadaki mevcut sınırlıklarını ortaya koyarak, daha dikkatli ve