Ruotong Liao, Meikel Kokowski, Xiaoxiao Sun, Yongqin Xian, Laura Bravo Sánchez, Shiye Su, Federico Tombari, Serena Yeung-Levy · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30089 · open-access PDF
Сегодняшние мультимодальные помощники обычно просят интерпретировать визуальные доказательства, представленные им. Чтобы разгрузить когнитивную нагрузку на запоминание через длинные горизонты, носимые помощники должны вместо этого активно приобретать и поддерживать полезную память по мере развития окружающей среды пользователя. Чтобы сделать это от имени пользователя, необходимо определить, что имеет значение, понять сцену в реальном времени и начать поддержку памяти на фоне, в то время как пользователь сосредоточен на своей деятельности.
Machine translation (Meta M2M100); the English original follows.
Today's multimodal assistants are typically prompted to interpret the visual evidence presented to them. To offload the cognitive burden of remembering across long horizons, wearable assistants should instead proactively acquire and maintain useful memory as the user's surroundings evolve. Doing so on the user's behalf requires identifying what matters, understanding the scene in real time, and initiating memory maintenance in the background while the user stays focused on their activities. We introduce ProactEgoMem, a benchmark that evaluates proactive memory in streaming egocentric video. Th
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30089, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange