#触发机制

流式视频理解 VLM 精读①：主动交互——模型到底应该何时开口？

> 这是「流式视频理解 VLM 精读」系列第 1 篇。上一篇是领域地图，这篇扎进最核心也最微妙的问题：流式视频模型凭什么决定自己"该不该开口、什么时候开口"？ 一个看似简单、实则很难的问题 人陪你看球赛，进球时会喊"进了！"，但不会每分钟都喊。这份"何时说话"的直觉，对 VLM 而