Live Assistant：学习在真实直播流中是否、何时与向谁提供协助
原文标题：Live Assistant: Learning Whether, When, and Whom to Assist in Real-World Live Social Streams
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Live Assistant 框架，将直播互动建模为四个耦合决策：是否行动、何时行动、向谁说话、说什么，每 10 秒由自回归策略处理音视频与评论等信号。团队构建了 320 余小时优化轨迹与人工审核基准，并用 MA-MSFT 与 SM-GSPO 训练，在留出基准上达到 71.14 状态准确率与 72.67 接收者准确率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Live Assistant 把直播协助拆成四个决策，每 10 秒决策一次，留出基准状态准确率 71.14%。
- •四个耦合决策：是否行动、何时行动、向谁说话、说什么
- •每 10 秒由单一自回归策略消费原生音视频与同步评论、礼物、观众动态、房间元数据
- •动作空间为 OBS 沉默、MEM 私有语义更新、ANS 指定接收者/任务/有据消息
- •构建 320 余小时优化轨迹，及 275 个片段、13,812 个决策区间的人工审核基准
- •MA-MSFT 加 SM-GSPO 训练，留出基准：状态 71.14、接收者 72.67、任务 58.41
为什么重要：直播是长时交互场景，把「是否/何时/向谁/说什么」显式建模并给出基准，为实时多模态助手提供了可评测的任务定义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。