先了解这件事
2026年11月4日,Google Research提出Agile Deliberation框架,将主观图像分类器的构建转化为人与大语言模型的迭代对话:用户先拆解子类别与排除项,视觉语言模型再主动挑出语义边界图像,反馈进入自动提示词优化循环。据Google Research介绍,团队在18场、每场1.5小时的真人实验中验证该流程,称其减少了用户疲劳与焦虑,产出的分类器优于标准基线,代码与算法已在GitHub开源。另据Unite.AI报道,该框架原型使用Gemini 2.5 Pro做概念拆解、Gemini 2.5 Flash做分类与边界样本挖掘,未额外训练或微调;在9名参与者各完成两次约90分钟会话的研究中,pay-to-play场景F1比零样本基线提升11%,健康食品场景提升10%。
AI 根据公开报道生成
最新动态 · 相关讨论
MarkTechPost 参与了这场讨论事件进展
1 个已确认进展
- 来源：Google Research
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
11月5日
Unite.AI
Google Research 提出 Agile Deliberation，用人工审议构建主观图像分类器
Google Research 于 2026 年 11 月 4 日发布 Agile Deliberation，一个围绕主观类别构建图像分类器的交互式框架，并附带开源代码和 notebook 演示。该框架把用户逐步形成的定义同时转成可读规范和驱动视觉语言模型分类器的提示词，原型使用 Gemini 2.5 Pro 做概念拆解、Gemini 2.5 Flash 做分类与边界样本挖掘，未额外训练或微调。在 9 名参与者各完成两次约 90 分钟会话的研究中，Agile Deliberation 在 pay-to-play 场景的 F1 比零样本基线提升 11%，人工审议提升 8%；健康食品场景分别提升 10% 和下降 3%，参与者报告的投入度与不安感均低于人工方式。
Google Research一手
Agile Deliberation：Google Research 如何用 AI 帮人类厘清主观分类的灰色地带
Google Research 提出 Agile Deliberation 框架，把主观图像分类器的构建变成人与 LLM 的迭代对话，先让用户拆解子类别与排除项，再由 VLM 主动挑出语义边界图像，反馈进入自动提示词优化循环。团队在 18 场、每场 1.5 小时的真人实验中验证，该流程减少了用户疲劳与焦虑，产出的分类器优于标准基线，代码与算法已在 GitHub 开源。
本事件热度走势
- 当前
- 16
- 区间峰值
- 24 11月5日 15:00
- 近 24 小时变化
- —
移动指针或点击图表可查看每小时热度；键盘可用左右方向键切换。