# 长视频记忆

该工作提出 Grounded Entity Biographies（GEB）长视频记忆框架，把跨片段中同一物理实例的视觉落地观察归组成可检索的“传记”，并在问答时把传记与情节证据一起检索；在四个基准（含日长与周长录像）上，多选与开放式问答均优于既有记忆框架，EgoLifeQA 达到 72.0% 准确率，比最强已发表结果高 4.4 个百分点，消融显示落地身份关联与传记阅读各自都有贡献，而仅增加描述无法完全复现这些增益。

该工作提出 Grounded Entity Biographies（GEB）长视频记忆框架，把跨片段中同一物理实例的视觉落地观察归组成可检索的“传记”，并在问答时把传记与情节证据一起检索；在四个基准（含日长与周长录像）上，多选与开放式问答均优于既有记忆框架，EgoLifeQA 达到 72.0% 准确率，比最强已发表结果高 4.4 个百分点，消融显示落地身份关联与传记阅读各自都有贡献，而仅增加描述无法完全复现这些增益。

该工作提出 Realtime-Venus 主动式全双工交互系统，包含分别训练的 9B 模型 Realtime-Venus-Omni（音视频交互）与 Realtime-Venus-Audio（语音交互），二者以共享因果时间线统一连续感知、对话控制、原生语音生成与私有委派请求，并由 Realtime-Venus-Harness 在双循环运行时中异步执行后台能力，在八项视频基准中的六项取得所比较在线模型的最高分，并在多项音频理解、口语问答与全双工重叠语音指标上领先或持平。

该工作提出 Realtime-Venus 主动式全双工交互系统，包含分别训练的 9B 模型 Realtime-Venus-Omni（音视频交互）与 Realtime-Venus-Audio（语音交互），二者以共享因果时间线统一连续感知、对话控制、原生语音生成与私有委派请求，并由 Realtime-Venus-Harness 在双循环运行时中异步执行后台能力，在八项视频基准中的六项取得所比较在线模型的最高分，并在多项音频理解、口语问答与全双工重叠语音指标上领先或持平。