10月26日公开的 StreamVibe 研究，面向持续观察视频并主动交互的智能体。团队指出，用户在浏览网页等过程中可能没有明确提问，却已产生“下一步点哪里”的意图；随着画面与需求变化，系统还需要及时更新判断，决定是否以及何时回应。
研究首先提出 StreamVibe-Bench，包含约4100个评估样本和8.5万个训练样本，分别覆盖明确表达、需要推断和持续变化的意图。基于这一任务设计，StreamVibe-VL 从连续观察中推断隐式需求，再按意图变化调整交互内容，不把每一帧都当作独立的问答输入。
配套 StreamVibe-Harness 使用分层记忆，把用户意图作为具有生命周期的持久状态，同时跟踪环境变化。论文报告，相比所测基线，模型的响应时机和答案质量得到改善，加入运行框架后持续交互也更一致。其评估重点是交互时机与需求适配，既保留一般视频理解，也把“该不该开口”纳入测试。