CapMem：第一视角视频字幕情景记忆基准
原文标题：CapMem: A Benchmark for Caption-Based Episodic Memory in Egocentric Video
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。
研究提出CapMem，一个面向第一视角视频情景记忆的人类标注基准，包含75个视频共33.7小时和1000道多选题。在超过20分钟的长视频上，全覆盖字幕问答在多数模型上优于直接视频问答，字幕引导的检索验证框架进一步将准确率提升最多5.3个百分点。结果表明字幕记忆对长时第一视角视频的情景推理有效。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CapMem基准含75视频33.7小时1000题，长视频上字幕问答优于直接视频问答
- •基准为人类标注的第一视角视频情景记忆，覆盖16个场景、1000道多选题
- •在超过20分钟的长视频上，30秒与60秒字幕窗口的全覆盖CaptionQA分别在10/12与8/12模型上优于直接VideoQA
- •六款Qwen模型的匹配帧对照仍保留3.22与2.55个百分点的平均增益
- •字幕引导的检索-验证框架进一步将准确率提升最多5.3个百分点
为什么重要：可穿戴助手受限于帧预算与视觉token成本，该结果说明文本字幕可作为可复用的情景记忆，为长时第一视角视频问答提供低成本路线。
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。