arXiv · AI· Ruochen Zhao, Jiazheng Kang, Gezi Li, Dongying Lin, Ting Bai·· 12 小时前AI 评分30
EMMA：基于事件驱动多模态记忆与多智能体检索的长视频理解系统
EMMA: Event-Driven Multimodal Memory System with Multi-Agent Retrieval
AI 导读
针对多模态大语言模型处理长视频时上下文窗口受限及固定片段压缩导致检索噪声的问题，论文提出 EMMA 系统。 该系统通过双流检测器融合视觉语义漂移与语音过渡实现自适应事件分割，构建包含原始视频及片段的三级记忆层级。 在多智能体框架协助下，利用查询分解与分层检索显著提升三个挑战性基准上的实验表现。
来源：arXiv · AI · arxiv.org