Googleの研究チームは StreamVibe を作成した。これは人が料理を作る様子や家具を組み立てる様子を監視し、必要時にのみユーザーに呼びかける動画エージェントである。

The Decoder の説明で、長い動画のベンチマークにおいて検証済みモデルはいずれも適切な介入の瞬間を信頼して選択できなかった。動画が長くなるにつれて誤りが蓄積し、応答の品質が急激に低下した。

これにより、ただ起こっていることを視認するだけでなく、介入が真に適切な時点を理解する必要がある動画アシスタントの実用的価値が制限される。入手可能な資料はメタデータと公開要約であり、テストの詳細や使用されたモデルの構成は明示されていない。