Jianming Xu

该工作把长视频智能体的失败模式形式化为“语义抖动”——只追加的工作记忆会不断累积噪声、稀释关键证据，并提出 VideoLoop：外层多模态智能体在沙箱文件系统中探索视频，内层记忆编排器在每一步之后从无界文件系统检索相关产物并重写有界工作记忆；在 VideoMME（长）、VideoMMMU 与 LongVideoBench（长）上，VideoLoop 以即插即用方式提升四个 LVLM 主干，平均在 VideoMME（长）上比基线高 4.2 个百分点，使用 Gemini 3.1 Pro 时分别达到 88.3%、88.8% 与 80.9%。

该工作把长视频智能体的失败模式形式化为“语义抖动”——只追加的工作记忆会不断累积噪声、稀释关键证据，并提出 VideoLoop：外层多模态智能体在沙箱文件系统中探索视频，内层记忆编排器在每一步之后从无界文件系统检索相关产物并重写有界工作记忆；在 VideoMME（长）、VideoMMMU 与 LongVideoBench（长）上，VideoLoop 以即插即用方式提升四个 LVLM 主干，平均在 VideoMME（长）上比基线高 4.2 个百分点，使用 Gemini 3.1 Pro 时分别达到 88.3%、88.8% 与 80.9%。