BLIP-Live 把“何时开口”纳入智能:326 段第一视角视频上,多余回应比现有模型减少一半以上
Salesforce AI Research 推出视频智能体 BLIP-Live,把“何时开口”本身当作要学的能力,而不只是识别画面里发生了什么。此前的视频智能体把实时摄像头、语音交互与产品数据知识结合起来引导复杂流程,但“视觉助手该在何时说话”仍是一个互补的研究问题。BLIP-Live 用包含有用回应时刻与应保持安静时段的大规模训练数据,并借助智能体记忆减少重复。在 326 段第一视角视频的评测中,它把现有模型的多余回应减少了一半以上,评测对重复和窗口外发言计费,完全不说话也拿不到分。