Raffaele Cali, Giuseppe Lando, Rosario Forte, Antonino Furnari · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31284 · open-access PDF
긴 자아 중심 비디오는 멀티모델 언어 모델에 핵심적인 도전을 제기합니다 : 시각 스트림은 효율적으로 검색할 수있는 메모리 표현으로 압축되어야하며 여전히 질문 응답에 필요한 증거를 보존합니다. 온라인 텍스트 메모리 프레임 워크 프레임에 기초하여 첫 번째 사람 비디오가 시간 지정 텍스트로 변환되며,이 작업은 정기적 인 메모리 비디오 질문 응답에서 검색의 역할을 체계적으로 연구합니다.우리는 다양한 검색 유닛, 쿼리 공식, 컨텍스트 예산 및 재조정 전략이 다중 선택에 영향을 미치는 방법을 평가합니다.
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