長尺動画理解、イベント駆動の記憶で挑む
原題 EMMA: Event-Driven Multimodal Memory System with Multi-Agent Retrieval
数時間に及ぶ長い動画はMLLMのコンテキスト長を超えるため、従来は固定的な圧縮で対応してきた。EMMAはイベント駆動の多モーダル記憶と、複数エージェントによる検索を組み合わせる方式を提案する。
論点
長尺動画は記憶設計で解くべきか
- コメントを読み込み中…
議論のヒントを見る
賛成側の視点
文脈をいくら伸ばしても限界がある。賢い記憶設計こそ本筋だ。反対側の視点
どうせ文脈長とコストが解決する。複雑な記憶機構は一時しのぎだ。
みんなのコメント 件
コメントを書く