Tag · 2 篇
多模态记忆
01 02
WorldMM：面向长视频推理的动态多模态记忆智能体
WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning
把长视频理解从纯文本摘要记忆扩展到文本+视觉的多源记忆库，并用自适应检索代理按查询迭代选择记忆源与时间粒度；对做长视频 VQA、视频检索或记忆增强 VLM 的工作，这套「多粒度情景记忆+语义记忆+视觉记忆」的组织与检索策略可直接复用。
PersonaVLM：长期个性化多模态大语言模型
PersonaVLM: Long-Term Personalized Multimodal LLMs
为视觉语言模型引入可检索的多模态长期记忆库与用户人格演化建模，可作为个性化 VLM 助手、多轮视觉对话与用户偏好对齐的可复用框架；其 Persona-MME 基准也可用于评测视觉对话中的长期个性化能力。