长视频记忆别手搓策略：Meta LVMH/SEEM，三基准均值 65.7%（+7.7 pp）、token ≈1/32

Edge-TTS Studio Audio·🎙 Voice: Yunxi (Studio Anchor)

Free for all listeners

Click to synthesize audio

00:00

AI Overview

View PDF HTML (experimental) Abstract: Long-video agents must map hours or days of multimodal evidence into a bounded context while respecting token and latency budgets, making memory design a context-management challenge. Existing memory systems largely rely on hand-designed...

Curator's Note

该研究提出了LVMH/SEEM，在长视频记忆方面取得了显著成果，读者可以了解其在多模态视频处理中的应用和性能提升。

Primary Source

Academic Paper·arXiv:2610.23904

Meta LVMH/SEEM (arXiv:2610.23904)

Meta FAIR

“View PDF HTML (experimental) Abstract: Long-video agents must map hours or days of multimodal evidence into a bounded context while respecti”

Body · Chinese Translation

查看PDF HTML（实验性）

摘要：长视频代理必须在尊重令牌和延迟预算的同时，将数小时或数天的多模态证据映射到有限的范围中，这使得内存设计成为上下文管理的一个挑战。现有的内存系统在很大程度上依赖于手工设计的策略，留下了如何联合优化内存设计以实现性能和效率的问题。我们提出了长视频元内存利用（LVMH），这是一个自动化的多代理框架，将内存策略开发定义为围绕固定答案模型的多目标代码搜索。为了防止自我认证和开发集过拟合，LVMH将实现与独立审查分离，并强制执行受保护的观察边界。持久的元内存记录过去的提案、跟踪、成本和失败，以指导后续策略修订。通过这个框架，我们发现了自我进化的证据内存（SEEM），这是一种“文本优先，视觉第二”的策略，从紧凑的结构化事件内存和证据专家那里回答，通过选择性的视觉门咨询局部帧。该策略在EgoLifeQA上进化，可以推广到未见过的基准，在Ego-R1基准和Video-MME（L）上均优于Meta-Harness，使用GPT-5 mini。在三个基准测试中，SEEM与GPT-5的平均准确率达到65.7%，比之前的最高水平高出7.7个百分点，平均评估令牌使用量降低约32倍，平均响应时间缩短91倍。

	主题：
计算机视觉和模式识别（cs.CV）；多代理系统（cs.MA）	arXiv:2610.23904 [cs.CV]
	(或 arXiv:2610.23904v1 [cs.CV] 版本)
	https://doi.org/10.48550/arXiv.2610.23904 arXiv-issued DOI via DataCite

提交历史

来自：Liwei Che [查看电子邮件]
[v1] 周二，29 Sep 2026 20:29:13 UTC (517 KB)