VideoLoop：以循环式工作记忆缓解长视频智能体的语义混乱
理解长视频需要多模态智能体经过多个推理步骤持续收集证据。然而，只能不断追加内容的工作记忆可能积累噪声，让智能体难以找到关键线索。研究团队提出 VideoLoop：外层循环负责推理视频，内层循环则在每一步之后检索过往观察和分析，并重写容量有限的工作记忆。实验中，VideoLoop 提升了四种常用 LVLM 骨干模型的表现，在 VideoMME（long）上平均比基线高 4.2 个百分点。面对最难的四分之一问题，只读取智能体上下文的评判者答对率为 81.1%，而仅追加式记忆的智能体为 60.9%。搭配 Gemini 3.1 Pro 时，VideoLoop 在 VideoMME（long）上达到 88.3%，在 VideoMMMU 上达到 88.8%，在 LongVideoBench（long）上达到 80.9%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。