迈向多模态终身理解：一个数据集与智能体基线

针对现有视频理解数据集缺乏自然生活场景的问题，本文推出 MM-Lifelong 数据集，涵盖天、周、月不同时间尺度。评估发现当前范式存在工作记忆瓶颈和全局定位崩溃两大缺陷。为此，作者提出递归多模态智能体（ReMA），利用动态记忆管理迭代更新递归信念状态，显著优于现有方法。此外，研究还建立了隔离时间与领域偏差的数据集划分，为监督学习和分布外泛化研究奠定基础。