Google تعلّم وكيل الفيديو StreamVibe أن يقرر بنفسه متى يتدخل: +10.7%

قدّم فريق من الباحثين في Google وStanford وOxford وعدد من الجامعات الأمريكية نظام StreamVibe، وهو وكيل فيديو يقرر بنفسه متى يتدخل. يراقب الوكيل المستخدم عبر بث الفيديو، مثلًا أثناء طهيه أو تفكيكه لعبة، ولا يتكلم إلا عندما تكون المساعدة مطلوبة فعلًا. والرقم الأبرز في الدراسة هو 10.7%، وهو الفارق الذي يتفوق به StreamVibe-VL على النماذج الأخرى في مقياس يجمع مؤشرين: مدى حسن توقيت الرد، ومدى فائدته. لكن الدراسة تُظهر أيضًا الجانب المعاكس: لا يستطيع أي من الأنظمة التي جرى اختبارها الاحتفاظ بخيط المهمة لفترة طويلة.

ما الذي يميّز مساعد الفيديو عن المساعد العادي

صُمّمت مساعدات الفيديو الحالية للتعامل مع الأوامر الواضحة، مثل «أخبرني عندما يغلي الماء». وهي تتعثر في ثلاثة أمور تبدو بديهية للإنسان:

• النوايا غير المعلنة: يطلب المستخدم «ساعدني إذا واجهتني صعوبات» دون أن يحدد خطوات بعينها؛ • تذكّر ما أُنجز: يكرر المساعد النصيحة أو يتأخر لأنه لا يتذكر ما جرى بالفعل؛ • تغيّر الطلب أثناء العمل: يغيّر المستخدم رأيه بينما يتمسك النموذج بالتعليمات الأولى.

ومن الأمثلة الواردة في الدراسة: شخص يفكّك حفارة لعبة ويطلب إبلاغه بالتقدم، ثم يطلب بعد ثلاث دقائق التحقق من جودة التركيب. على المساعد هنا أن يلاحظ تغيّر المهمة وينتقل إلى الجديدة.

كيف بُني الاختبار ودُرّب النموذج

لقياس المشكلة، أعدّ المؤلفون معيارًا اختباريًا (benchmark، أي مجموعة مهام اختبارية) يضم نحو 4100 مثال. والمادة مأخوذة من أكثر من 183 ساعة من فيديوهات الأنشطة اليومية وتسجيلات العمل على البرامج. اقترح نموذج Gemini 2.5 Flash اللحظة المناسبة للمساعدة وما ينبغي قوله. بعد ذلك راجع أربعة مقيّمين بشريين كل مثال، ولم يُقبل أي مثال إلا بموافقة جماعية. ويُقسَّم الاختبار إلى ثلاثة مستويات: تعليمات واضحة، وأهداف فضفاضة، وطلبات تتغير مع الوقت.

على هذه البيانات دُرّب StreamVibe-VL. وبحسب افتراض المصدر، فهو مبني على نموذج Qwen3.5-9B المفتوح من Alibaba. يقرر النموذج كل ثانية: هل يصمت أم يتكلم. وتأتي المرحلة الثانية، وهي التعلّم المعزَّز، أي مكافآت وعقوبات على السلوك. وتجعل هذه المرحلة النموذج أكثر تحفظًا كي لا يقاطع المستخدم عند كل مناسبة.

ويعمل نظام الذاكرة بصورة منفصلة. فهو يحتفظ بقائمة الطلبات غير المنجزة ويسجّل الخطوات المكتملة. أما قرار الكلام ومضمونه فيبقى للنموذج نفسه.

ماذا أظهرت الأرقام وأين يخفق النظام

وفق بيانات المؤلفين، يتفوق StreamVibe-VL بوضوح على نموذجه الأساسي وعلى النماذج المفتوحة الأخرى. ويضيف نظام الذاكرة 12.3% أخرى إلى المبادرة الاستباقية، ويقلّص، من بين أمور أخرى، التدخلات الزائدة. ولا يُضعف التدريب المتخصص الفهمَ العام للفيديو. غير أن Gemini 3.8 Flash المغلق من Google يحقق نتائج أعلى في عدة اختبارات.

وظهر القيد الرئيسي عند الاختبار على المقاطع الطويلة:

• حين يُطلب من النموذج تقييم مدى ملاءمة رد ما في لحظات محددة فقط، يصيب في الغالب؛ • وحين يشاهد الفيديو كاملًا ويعتمد على إجاباته السابقة، تتراكم الأخطاء وتنخفض الجودة لدى جميع الأنظمة المختبرة؛ • ينخفض المقياس الرئيسي لمحتوى الإجابات بما يصل إلى 61.5% بسبب تاريخ النظام نفسه؛ • في المقاطع التي تزيد مدتها على خمس دقائق، نادرًا ما تختار النماذج اللحظة الصحيحة، وتتعقب التعليمات المعدّلة بصورة سيئة على وجه الخصوص.

وتتضح الفروق في أمثلة الدراسة. ففي درس لتحويل صورة إلى الأبيض والأسود في GIMP، ادّعى النموذج المنافس JoyAI أن الصورة النهائية حُفظت بالفعل، مع أن المستخدم لم يفتحها أصلًا. أما StreamVibe-VL فاقترح في اللحظة المناسبة الخطوة التالية: «Colors» أولًا، ثم «Desaturate». وفي وصفة لفائف الخبز المحمص بالمربى، اكتفت النماذج الأخرى بوصف ما يجري على الشاشة، كأن تقول إن الخبز يُفرد بالشوبك. بينما نصح StreamVibe-VL بقص القشرة أولًا.

ماذا يعني ذلك للمطورين

يقرّ المؤلفون بأن المواقف الواقعية أعقد من المخبرية، ويريدون مستقبلًا دراسة كيف يؤثر تفضيل المستخدم والبيئة المحيطة كلٌّ في الآخر. أما لمن يطوّر مساعدين للنظارات الذكية أو البرامج التعليمية أو أدوات الدعم، فالخلاصة عملية: الذاكرة المنفصلة للمهام تفيد، لكنها لا تحل المشكلة بالكامل. ويبقى تراكم الأخطاء في الجلسات الطويلة عنق الزجاجة الرئيسي.

ويواصل هذا العمل نهجًا تتبعه Google. ففي سبتمبر عرضت الشركة تحليلًا وكيليًا (agentic) للفيديو في Gemini، يقرر فيه النموذج بنفسه أي المشاهد يتفحصها عن كثب. وأظهر Gemini 4 Argon مؤخرًا كيف يتتبع الذكاء الاصطناعي تسلسلات طويلة من الأفعال في فيديوهات الروبوتات ويكتشف الأخطاء. وهناك نتائج مشابهة لدى جهات أخرى: ففي اختبار ProactiveBench كثيرًا ما تخمّن النماذج أو ترفض الإجابة بدلًا من طرح سؤال توضيحي. وبيّن باحثو Microsoft أن الحوار نفسه قد يخفض جودة عمل الوكلاء المستقلين.