Raffaele Cali, Giuseppe Lando, Rosario Forte, Antonino Furnari · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31284 · open-access PDF
Длинные эгоцентричные видео представляют собой центральную проблему для мультимодальных языковых моделей: визуальный поток должен быть сжат в представление памяти, которое можно эффективно искать, сохраняя при этом необходимые доказательства для ответа на вопрос. На основе онлайн-структуры текстовой памяти, в которой видео от первого лица преобразуются в временные заголовки, эта работа систематически изучает роль извлечения в эпизодическом ответе на видеозапрос с памятью. Мы оцениваем, как различные единицы извлечения, формулировки запросов, контекстные бюджеты и стратегии переоценки влияют на многопользовательский выбор
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