Light-Omni：具长期记忆的代理视频理解中反射优于推理

针对代理视频理解中迭代推理成本高、延迟大的问题，本文提出 Light-Omni 框架。该方法通过双重上下文状态实现单次前向传播的即时上下文构建：一是维护从情景记忆中持续整合的全局状态，兼顾近期细节与过往摘要；二是生成参数化潜在状态以直接驱动自主动作并产生检索嵌入。该设计实现了语义对齐的检索与反射式响应，避免了繁重的迭代推理。实验表明，其在多个基准上优于现有方法，显著提升了准确率、速度与显存效率。