مقاله‌ی arXiv:2609.37559 · منتشرشده در کانال
APM-Bench: Benchmarking Cross-session Persistent Memory for Egocentric Streaming Video Assistants
ای‌پی‌ام‌بنچ: بنچمارک حافظه‌ی پایدار بین جلسه‌ها برای دستیارهای ویدیوی زنده‌ی اول‌شخص
- تاریخ
- (۷ مهر ۱۴۰۵) 2026-09-29 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Jianguo Huang, Jinming Liu, Qiyao Wang, Liang Xu, Jianhang Li, Zhimian Wen, Mingda Li, Shule Lu, Zhicheng Wang, Yuhan Guo, Xin Jin, Wenjun Zeng
- نهاد نویسنده‌ها
- Shanghai Jiao Tong University; Eastern Institute of Technology, Ningbo; Shenzhen Institutes of Advanced Technology, CAS; Zhongguancun Academy; Dalian University of Technology; Beihang University; Hong Kong Polytechnic University
خلاصه‌ی فارسی
مسئله
مدل‌های ویدیوی زنده برای این‌که دستیار شخصی واقعی باشند، به حافظه‌ی پایداری نیاز دارند که تجربه‌های گذشته را برای استفاده‌ی بعدی نگه دارد. اما بنچمارک‌ها و روش‌های موجود روی ویدیوهای پیوسته یا کلیپ‌های کوتاه تمرکز دارند و نادیده می‌گیرند که تعامل واقعی اغلب منقطع است؛ مثلاً کاربر صبح عینک را روشن می‌کند، خاموش می‌کند و عصر می‌پرسد کلیدش را کجا گذاشته.
روش
بنچمارک APM-Bench تعامل زنده‌ی واقعی را به شکل مسیرهای زندگی چندجلسه‌ای بازسازی می‌کند و ۵۴۹ جلسه، ۱۰۴ مسیر و ۲٬۷۱۹ نامزد با پرسش‌های عینی و باز دارد. هر جلسه یک ویدیو با برچسب‌های ریزدانه است و جلسه‌های یک مسیر حول فعالیت‌های مرتبط‌اند. مدل‌های ویدیویی عمومی زیر پروتکل‌های مختلف حافظه و سیستم‌های تخصصی حافظه‌ی زنده ارزیابی شدند و آزموده شد که آیا مدل‌ها نبود شواهد کافی را تشخیص می‌دهند.
یافته‌ها
- یک مبادله‌ی روشن بین سودمندی، تأخیر و حافظه‌ی ذخیره‌سازی دیده شد.
- روش‌های موجود هنوز نمی‌توانند هم‌زمان یادآوری بلندمدت قابل اعتماد، سربار کم و کمک پیش‌دستانه‌ی مؤثر بین جلسه‌ها را به دست آورند.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده عدد مشخصی برای کارایی مدل‌ها نمی‌دهد.
چرا مهم است
دستیارهای پوشیدنی آینده باید روزها و هفته‌ها را به خاطر بسپارند. این بنچمارک نشان می‌دهد سیستم‌های فعلی هنوز توازن درستی بین به خاطر سپردن، سرعت و حجم ذخیره ندارند.