Agent Control Flash News·· 2 小时前精选AI 评分60
Microsoft Video-EMem：长视频记忆模型进化，性能提升7.2%
长视频记忆要一次写入多次查询：Microsoft Video-EMem，进化 +7.2%、存储约 −99.86%
Edge-TTS 广播级有声
全员无门槛畅听
点击合成广播级音频
00:00
00:00
AI 导读
可复用记忆必须服务「构建时未知」的问题，否则 agentic 搜索会每查询重跑昂贵视频处理。
推荐理由
该研究提出了Video-EMem，一种可进化的视频记忆模型，在长视频问答任务上取得了显著提升，对视频处理和记忆研究有重要意义。
一手信源
学术论文·arXiv:2610.24537
Microsoft Video-EMem (arXiv:2610.24537)
“View PDF HTML (experimental) Abstract: Long videos often exceed the context capacity of multimodal large language models (MLLMs), while agen”
正文 · AI 翻译
摘要：长视频往往超过了多模态大型语言模型（MLLMs）的上下文容量，而代理搜索则重复了每次查询都昂贵的视频处理和定位。可重用内存可以分摊这种成本，但必须保留在构建过程中未知的问题信息。我们提出了Video-EMem，这是一种基于时间锚定感知观察的可演化视频内存利用工具。这种表示结合了紧凑的自由格式文本和稀疏图像，以保留语义内容和互补的视觉细节，支持跨时间尺度的导航，而不需要固定的语义模式。Writer通过整合重叠的多尺度观察来编码每个视频一次，而Reader则仅从结果内存中检索和组织证据。在底层模型冻结的情况下，我们使用不同的反馈来演化它们的流程和操作员：Writer的查询独立源保真度和覆盖率，以及Reader在证据定位和利用中的QA失败。实验支持这种分离，以超越开发查询的泛化，我们的演化策略将平均准确率提高了7.2%，超过了未演化的工具。与原始视频相比，平均减少了99.86%的存储空间，Video-EMem在三个长视频QA基准测试中，相对于2048帧的直接输入，将Qwen3-VL-30B的平均准确率提高了2.6%。使用与最先进的代理方法相同的o3答案模型，它将平均准确率提高了2.5%，同时降低了每个查询的延迟。
| 主题： | 计算机视觉和模式识别（cs.CV）；机器学习（cs.LG） |
| 引用方式： | arXiv:2610.24537 [cs.CV] |
| (或 arXiv:2610.24537v1 [cs.CV] 版本) | |
| https://doi.org/10.48550/arXiv.2610.24537 arXiv-issued DOI via DataCite |
提交历史
来自：Kerui Chen [查看电子邮件]
[v1]
周六，17 Oct 2026 07:58:29 UTC (1,879 KB)
来源：Agent Control Flash News · arxiv.org
关联产品与深度拆解
原创·站长/Quantara 团队·约 3 分钟深度解析
Cursor Agent 架构全景拆解：从影子工作区到多文件推演引擎
全面剖析 Cursor 在 Agent 模式下的底层技术实现，解析影子分支隔离、LSP 上下文剪枝以及预测性补全的核心架构细节与工程实践经验。
深入理解底层架构与行业变量阅读拆解 →
精选·Vercel Changelog·约 1 分钟深度解析
Vercel v0 推出全新多 Agent 协作画布与实时全栈部署预览
动态速评：v0 正在从单一组件生成器演进为全栈应用搭建协作台，尤其是与 Neon/Postgres 的直连极大降低了全栈原型验证成本。
深入理解底层架构与行业变量阅读拆解 →