视频大模型三方反馈范式上线，面向真实直播建模持续决策

现有视频大模型大多停留在“边看边解说”或“你问我答”的阶段，隐含了一个前提：模型的任务就是不停地说。团队认为，真实直播间里最难的可能不是“看见了什么”，而是知道什么时候该闭嘴、什么时候该记住、以及该把话说给谁。

这一判断指向一个更根本的问题定义：真实直播本质上是异构、长时、多方互动、混合驱动的多模态信号流，模型要建模的不是单次回答，而是直播过程中的持续状态决策。Live Assistant正是围绕这一命题展开。

团队把既有直播/在线视频理解工作的局限归纳为三道坎。第一，直播被简化成了“视频帧+文本”：很多工作仍把直播当作“图像帧+文本问题”，或者把音频先转成ASR文本再输入模型。团队认为，主播语气、背景音、弹幕密度、礼物事件、在线人数变化、房间meta信息和平台规则并不是附属信息，而是会共同改变模型判断的原生信号。

第二，反馈对象太单一：现有系统要么回答用户问题，要么给观众生成解说，但直播助手真正服务的是多方——观众需要解释和recap，主播需要评论区问题、节奏变化和关键事件提醒，平台/审核侧需要风险线索和待复核片段。

第三，“不说话”没有被当成一个动作：很多在线模型仍由用户问题或固定时间片驱动，到一个片段就输出一段话。但在真实直播里，沉默本身就是一个重要且合法的动作，模型必须基于内容理解判断当前是继续观察、写入记忆，还是在关键事件、高光、评论爆发、节奏异常或安全风险出现时主动反馈。