Google（谷歌） Research 发布 Agile Deliberation：让用户通过对话澄清主观图像分类标准
Google Research 公布 Agile Deliberation（敏捷协商）框架，处理“健康食品”“付费诱导”等边界模糊的图像分类。
它分概念界定与概念迭代两步：先拆分子类别和排除项，再由视觉语言模型挑出边界图片请用户反馈，并自动更新提示词。 团队称 18 场、每场 1.5 小时的真人实验中，所建分类器优于零样本等基线，用户压力更低；
该结论为团队自述，未独立复现。
据 Google（谷歌） Research 博客（2026 年 11 月 4 日，作者为研究科学家 Otilia Stretcu 与学生研究员 Leijie Wang），Agile Deliberation 分两阶段：概念界定阶段把宽泛概念拆成子类别并列出明确排除项，概念迭代阶段用视觉语言模型（VLM，可同时理解图像和文本的模型）找出语义上处于边界的图像，用户对图片给出自然反馈，系统把反馈接入自动提示优化循环。
研究覆盖“健康食品”和“付费诱导”（识别在线娱乐或游戏中的点击诱饵图，属内容审核场景）两个主观领域，共 18 场真人会话，每场 1.5 小时，参与者按随机顺序使用该系统与三种对照：零样本分类器、自动建模协作方、人工逐条调参。 团队称，使用该框架建立的分类器在最具挑战性的主观图像上提升最明显，人工调参有时不提升甚至降低准确率；
参与者自报所需努力、压力、挫败感和心理负担显著降低，且所有人都更偏好该框架。 代码与算法已在 GitHub 开源，研究由 Google Research 与 Google Ads（谷歌广告业务）合作完成。
这项工作的价值在于重新审视“谁来定义标签”这一前提：主流监督学习假设标注者心中已有稳定标准，但内容审核、策展等现实场景往往边做边明确。 把边界样本主动推给用户判断，等于把标注成本从“写提示词”转移到“做选择”，可能降低非技术专家使用分类工具的门槛。
但需注意，18 场会话属于小规模实验室用户研究，衡量的是特定任务下的分类器表现与主观体验，尚不能外推为通用产品效果； 开源代码是否被外部团队复现也待观察。
后续观察信号
- 查找该工作对应的论文，核对实验规模与基线设置
- 观察开源实现的社区采用情况