MOSAIC：面向对话智能体的全模态长期记忆与跨模态推理基准
原文标题：MOSAIC: An Omni-Modal Benchmark for Long-Term Memory and Cross-Modal Reasoning in Conversational Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者发布 MOSAIC 基准，包含 923 道题，覆盖 11-24 轮会话中的文本、图像、视频与音频历史。该基准通过冻结问题与阅读器、干预表示与检索环节，定位记忆证据在写入、检索、传递、阅读各阶段的丢失。结果显示表示损失与模态相关，拒答能力普遍偏弱。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MOSAIC 用 923 道题覆盖文本图像视频音频历史，把全模态记忆评测拆成写入、检索、传递、阅读四段诊断。
- •923 道题，基于 11-24 轮会话的人设化历史，覆盖文本、图像、视频与音频
- •构造空间、时间与韵律信号而非装饰性媒体，空间信息因果验证最强
- •冻结问题、阅读器、提示与预算，单独干预表示、检索与传递环节
- •结果显示表示损失与模态相关，金标证据下阅读环节仍占主导，拒答能力普遍偏弱
为什么重要：现有基准只给端到端分数，MOSAIC 能定位证据在哪一阶段丢失，对做长期记忆与全模态助手的团队是可操作的诊断工具。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。