Raffaele Cali, Giuseppe Lando, Rosario Forte, Antonino Furnari · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31284 · open-access PDF
Les longs vidéos égoïstes constituent un défi central pour les modèles linguistiques multimodaux : le flux visuel doit être comprimé dans une représentation de la mémoire qui peut être recherchée efficacement tout en conservant les preuves nécessaires pour répondre aux questions. Sur la base d'un cadre de mémoire textuelle en ligne dans lequel les vidéos à la première personne sont converties en sous-titres fondés sur le temps, ce travail étudie systématiquement le rôle de la récupération dans la réponse aux questions vidéo de mémoire épisodique. Nous évaluons comment les différentes unités de récupération, les formulations de requêtes, les budgets contextuels et les stratégies de réarrangement affectent un choix multiple.
Machine translation (Meta M2M100); the English original follows.
Long egocentric videos pose a central challenge for multimodal language models: the visual stream must be compressed into a memory representation that can be searched efficiently while still preserving the evidence needed for question answering. Building on an online textual-memory framework in which first-person videos are converted into temporally grounded captions, this work systematically studies the role of retrieval in episodic-memory video question answering. We evaluate how different retrieval units, query formulations, context budgets, and reranking strategies affect multiple-choice a
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=2610.31284, 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