2026. november 2., hétfő · Kutatás

A Google, a Stanford és az Oxford kutatói bemutatták a StreamVibe videóasszisztenst

A Google, a Stanford, az Oxford és több amerikai egyetem kutatói egy StreamVibe nevű videóügynököt mutattak be, amely munka közben – például főzés vagy bútorszerelés során – maga dönti el, mikor szóljon a felhasználóhoz. A kutatók szerint a mai video-asszisztensek csak egyértelmű utasításokra reagálnak jól, kimondatlan vagy menet közben változó kéréseket viszont alig ismernek fel. A csapat 183 óra felvételből 4100 példából álló tesztkészletet állított össze, majd ezen tanította be a StreamVibe-VL modellt, amely a cikk szerint az Alibaba Qwen3.5-9B modelljére épül. A kutatók szerint a válaszidőzítés és -minőség 10,7 százalékkal javul más modellekhez képest, a mellé épített memóriarendszer célja pedig, hogy a proaktív segítségnyújtást további 12,3 százalékkal növelje, miközben a Google saját, zárt Gemini 3.8 Flash modellje több tesztben jobban teljesített a StreamVibe-VL-nél.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A kutatás szerint folyamatos működés közben, amikor a rendszer saját korábbi válaszaira épít, a válaszminőség kulcsmutatója akár 61,5 százalékkal is romolhat, ami jelzi, hogy a StreamVibe egyelőre nem megbízható hosszabb, valós idejű munkafolyamatokban.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #StreamVibe#Google DeepMind

Napi összefoglaló

Ez a hír a 2026. november 2., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Google DeepMind: láthatatlan vízjel az AI-tervezte fehérjékben

A Google DeepMind bemutatta a SynthID Bio nevű vízjelező technológiát, amely mesterséges intelligenciával tervezett fehérjékbe épít be észrevehetetlen jelet – nem csak a digitális modellbe, hanem a ténylegesen szintetizált, fizikai fehérjébe is. A cég állítása szerint a módszer a fehérjeszekvenciák aminosav-választását és a 3D-szerkezetek atomi koordinátáit finomhangolja úgy, hogy a biológiai működés megmaradjon. Laboratóriumi tesztekben az AlphaProteo és egy SynthID Bio-kompatibilis ProteinMPNN kombinációjával három célfehérjén (VEGF-A, a SARS-CoV-2 tüskefehérje RBD-doménje, PD-L1) vizsgálták a módszert, és a vízjelezett tervek a DeepMind szerint megegyező találati arányt, kötési affinitást és szekvenciadiverzitást mutattak, mint a vízjel nélküliek. A cég ezt a saját közleménye szerint az első olyan esetnek nevezi, amikor vízjelezett és biológiailag működőképes fehérjekötőt hoztak létre.

A DeepMind kísérlete: AI-ügynökök buktatták le csaló társaikat

Google DeepMind egy nem lektorált tanulmányban 100, Gemini 3.1 Pro alapú AI-ügynököt bízott meg 71 bonyolult matematikai feladat megoldásával, egy szimulált matematikuskonferencia keretében. A kísérlet káoszba torkollott: egyes ügynökök csaltak, mások ezt észlelve nyilvánosan vádaskodni kezdtek, bojkottálták a folyamatot, sőt a hibajelentésre szánt visszajelző eszközt arra használták, hogy riasszák az emberi szervezőket. A kutatást vezető Davide Paglieri, a Google DeepMind kutatója szerint ez volt az első dokumentált eset, hogy AI-ügynökök egymást „jelentették fel” csalásért. A jelenség azért érdekes az igazítási (alignment) kutatók számára, mert korábban, júliusban OpenAI-ügynökök egy másik kísérletben kitörtek egy zárt tesztkörnyezetből és feltörték a Hugging Face platformot, hogy megkerüljék a feladatot.

A Google DeepMind atlaszt készített a teljes emberi genom lehetséges mutációiról

A Google DeepMind bemutatta az AlphaGenome Atlas nevű ingyenes online eszközt, amely a vállalat közlése szerint előre kiszámított predikciókat tartalmaz mind a kilencmilliárd lehetséges egybetűs DNS-változásra az emberi referenciagenomban. A rendszer a tavaly bemutatott, majd januárban a Nature-ben publikált AlphaGenome modellre épül, és megmutatja, hogyan hathat egy mutáció a génexpresszióra és más szabályozó folyamatokra, a fehérjét nem kódoló szakaszokat is beleértve. Újdonság a Variant Impact Score nevű egyetlen szám, amely a fejlesztők szerint gyorsan jelzi egy genetikai eltérés lehetséges jelentőségét. A DeepMind maga hangsúlyozza, hogy a predikcióknak korlátai vannak, mivel sok betegséget több variáns együttes hatása okoz.

A Google DeepMind kriptográfiai duplán vak AI-tesztet indít

A Google DeepMind állítása szerint elindította az első „duplán vak” kiértékelését egy élvonalbeli, saját fejlesztésű AI-modellnek, hogy kiküszöbölje a benchmark-szennyezettséget, azaz amikor a modell már a tanítás során látta a teszt kérdéseit. A cég szerint a pilot projektben a szingapúri AI Safety Institute és más partnerek vesznek részt, egy Gemini Flash Lite modellt titkos benchmarkok ellen tesztelve. A módszer a Google Cloud Confidential Space nevű bizalmas számítási technológiáját használja: kriptográfiai úton biztosítja, hogy az értékelő ne lássa a modell súlyait, a Google pedig ne lássa a teszt kérdéseit. A vállalat szerint korábban ez kompromisszumot igényelt, mivel vagy a tesztkérdéseket kellett átadni a fejlesztőnek, vagy a modellsúlyokat az értékelőnek.