Google के शोधकर्ता वीडियो एआई को अनकही इच्छाओं को पहचानने के लिए प्रशिक्षित कर रहे हैं
4 नवम्बर 2026 · 2 मिनट पठन
Google की एक शोध टीम ने StreamVibe पेश किया है, जो एक वीडियो एजेंट है जिसे यह स्वयं तय करना है कि उसे कब हस्तक्षेप करना चाहिए। यह प्रणाली उन अस्पष्ट अनुरोधों को समझने के लिए विकसित की गई है जैसे कि "मेरी मदद करें यदि मैं कहीं अटक जाता हूँ", ताकि यह खाना पकाने या फर्नीचर जोड़ने जैसे कार्यों के दौरान केवल तभी बोले जब वास्तव में आवश्यकता हो।
शोधकर्ताओं ने इस समस्या को मापने के लिए लगभग 4,100 उदाहरणों वाला एक बेंचमार्क बनाया है, जिसमें दैनिक जीवन और सॉफ्टवेयर संचालन के 183 घंटे के रिकॉर्डिंग शामिल हैं। इस परीक्षण में तीन स्तर शामिल हैं: स्पष्ट निर्देश, अस्पष्ट लक्ष्य और वे इच्छाएं जो कार्य के दौरान बदल जाती हैं। StreamVibe-VL मॉडल को संभवतः Alibaba के Qwen3.5-9B के आधार पर प्रशिक्षित किया गया है, और यह हर सेकंड यह तय करता है कि उसे चुप रहना है या बोलना है। इसे अधिक संयमित बनाने के लिए सुदृढीकरण सीखने का उपयोग किया गया है, जबकि एक अलग स्मृति प्रणाली यह ट्रैक करती है कि कौन सी इच्छाएं अभी भी मान्य हैं और कौन से चरण पूरे हो चुके हैं।
परिणामों के अनुसार, StreamVibe-VL ने अन्य मॉडलों की तुलना में उत्तरों के समय और गुणवत्ता में 10.7 प्रतिशत का सुधार दिखाया है। स्मृति प्रणाली ने सक्रिय बातचीत को 12.3 प्रतिशत और बेहतर बनाया है। हालांकि, Google का अपना Gemini 3.8 Flash कई परीक्षणों में बेहतर प्रदर्शन करता है।
शोधकर्ताओं ने पाया कि जैसे-जैसे वीडियो की लंबाई बढ़ती है, सभी परीक्षण किए गए सिस्टम विफल होने लगते हैं। पांच मिनट से अधिक लंबे वीडियो में, मॉडल सही समय का पता लगाने में लगभग असमर्थ होते हैं। जब मॉडल को अपने पिछले उत्तरों के साथ काम करना पड़ता है, तो त्रुटियां बढ़ती जाती हैं और उत्तरों के लिए एक केंद्रीय सामग्री मीट्रिक स्वयं उत्पन्न इतिहास के कारण 61.5 प्रतिशत तक गिर जाता है।