SpatialMem：融合三维几何与语义的视频记忆系统用于语言定位与问答

SpatialMem 将 RGB 视频重建为带尺度三维场景，在 VSI-Bench 上取得 37.5 总分，其中房间尺寸任务准确率为 41.4。 在 OpenEQA 中，证据帧检索恢复至均匀采样同等八帧水平；结构化锚点分配准确率达 0.24，可查询索引每场景成本为 14 KB。