TL;DR 「手伝って」と言われる前に、動画を見ながら先回りして助けるAIは作れるのか。意図が暗黙・変化する状況を、ベンチマーク、モデル、エージェント基盤の3点セットで扱った論文です。 タイトル: StreamVibe: Proactive Video Agents for Evolving User Intent URL: ポイント ・🎯 意図を明示的・暗黙的・動的の3レベルに分類 ・📚 StreamVibe-Bench：評価4,100件、支援ポイント20,546、動画183.4時間 ・🧠 StreamVibe-VL：適応的SFTのあと、軌跡報酬つきGRPOで学習 ・🔇 RLで誤発火が減り、明示的意図のFPRは2.02（ViSpeakは12.75） ・🗂 Harnessが有効な意図と進捗を管理し、動的意図で効果が大きい ・📈 動的意図のPointwise F1はSFTの58.70からRLで66.34 ・⚠️ 長い対話ではまだ苦手で、動的のTrajectory C-F1は8.91 先回りの難しさは「いつ話すか」より「いつ黙るか」にあると実感する結果です。 #VideoAgents# #VLM#