MemDreamer：通过分层图记忆与代理检索机制解耦感知与推理以实现长视频理解

当前视觉语言模型难以处理数小时长视频，因全序列处理导致令牌爆炸与注意力稀释。本文提出 MemDreamer 框架，将感知与推理解耦，转化为代理探索过程。该框架增量构建分层图记忆，采用自顶向下三层架构进行语义抽象，并以捕捉时空因果关系的基图为基础。推理阶段，模型利用代理增强检索，通过“观察 - 推理 - 行动”循环遍历层级与逻辑边。实验表明，该方法在四个基准测试中达到最先进水平，仅用 2% 的上下文窗口即实现显著精度提升，确立了代理能力扩展为新范式。