EM^2Mem：面向大语言模型的事件中心多模态记忆
EM^2Mem 是一种多模态记忆框架，在构建记忆时将长视频中的异构证据绑定到事件锚点。每个按事件索引的记忆单元整合多模态记录、时间上下文、图关联关系、语义事实和来源信息，使语言模型能够直接读取围绕具体事件组织的紧凑证据，而无需在推理阶段从彼此孤立的片段中重建跨模态和时间对应关系。在三个长视频问答基准测试中，EM^2Mem 相比最强的记忆基线，平均准确率分别提升了2.0、2.4和3.7个百分点。事件级严格Top-5证据召回率提升7.0个百分点；单次查询延迟降低至原来的约四分之一，推理所需的总Token数减少63.66%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。