論文の概要: VideoLoop: Looped Working Memory Against Semantic Thrashing in Long-Form Video Agents

• arxiv url: http://arxiv.org/abs/2609.38119v1
• Date: Tue, 29 Sep 2026 17:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.810442
• Title: VideoLoop: Looped Working Memory Against Semantic Thrashing in Long-Form Video Agents
• Title（参考訳）: VideoLoop: 長時間のビデオエージェントにおけるセマンティックスラッシングに対する作業記憶のループ化
• Abstract要約: ロングフォームビデオ理解には、多くの推論ステップに関する証拠を反復的に収集するマルチモーダルエージェントが必要である。 追加のみのワーキングメモリが増加すると、キーエビデンスへの注意は崩壊し、エージェントは、既に見つけたものへのアクセスを失う。 本稿では,新たに観測された目標証拠を付加できるが,蓄積した雑音を除去できないことを示す構造的議論を提案する。 ループを2つ結合したマルチモーダルエージェントであるVideoLoopを提案する。
• 参考スコア（独自算出の注目度）: 67.73068372825597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form video understanding requires multimodal agents to iteratively gather evidence over many reasoning steps. However, most existing agentic methods suffer from semantic thrashing: as append-only working memory grows, attention to key evidence collapses, and the agent loses access to what it has already found. First, we provide a structural argument showing that append-only memory can incorporate newly observed target evidence, but cannot remove accumulated noise or prevent ordered context growth without a rewrite operator. Second, motivated by this analysis, we propose VideoLoop, a multimodal agent with two coupled loops. The outer loop reasons over the video and the inner loop, after each step, retrieves artifacts from an unbounded filesystem of past observations and intermediate analysis, and rewrites a bounded working memory. Extensive experiments demonstrate the effectiveness of VideoLoop, which improves four popular LVLM backbones in a plug-and-play manner, with an average gain of 4.2% points over baseline on VideoMME (long). Further analysis of working memory suggests that VideoLoop mitigates semantic thrashing: on the hardest quarter of VideoMME (long) questions, a blind judge that reads only the agent's context answers 81.1% correctly, versus 60.9% for the append-only agent. With Gemini 3.1 Pro, VideoLoop reaches 88.3% on VideoMME (long), 88.8% on VideoMMMU, and 80.9% on LongVideoBench (long).
• Abstract（参考訳）: ロングフォームビデオ理解には、多くの推論ステップに関する証拠を反復的に収集するマルチモーダルエージェントが必要である。 しかし、既存のエージェント的手法のほとんどはセマンティックスラッシングに悩まされており、追加のみのワーキングメモリが増大すると、重要な証拠への注意が崩壊し、エージェントが既に発見したものへのアクセスを失う。 まず、新たに観測されたターゲットエビデンスを付加できるが、蓄積したノイズを除去したり、書き直し演算子なしで順序付けられたコンテキスト成長を防止できないことを示す構造的議論を示す。 次に,2つの結合ループを持つマルチモーダルエージェントであるVideoLoopを提案する。 ビデオとインナーループの外側のループ原因は、各ステップの後、過去の観察と中間分析の未境界ファイルシステムからアーティファクトを検索し、バウンドされたワーキングメモリを書き換える。 大規模な実験では、4つのLVLMバックボーンをプラグ・アンド・プレイで改善する VideoLoop の有効性が実証されている。 作業記憶のさらなる分析は、VideoLoopが意味的スラッシングを緩和していることを示唆している: VideoMME (long) の最も難しい4分の1では、エージェントのコンテキストのみを正確に読み取る盲人の裁判官が81.1%、追加のみのエージェントは60.9%である。 Gemini 3.1 Proでは、VideoLoopはビデオMME(ロング)で88.3%、ビデオMMMUで88.8%、LongVideoBench(ロング)で80.9%に達する。

関連論文リスト

• Online Video Agent Harness for Long Video Understanding [35.044765942623876]
  長いビデオ理解は、しばしば視覚的な針・ア・ヘイスタック問題のように振る舞う。 既存のビデオエージェントは、クエリに依存しないオフライン前処理やアドホックツールセットに依存することが多い。 我々は、ビデオ理解のための純粋にオンラインビデオエージェントであるVideoXAgentを紹介する。
  論文  参考訳（メタデータ） (2026-09-11T13:13:03Z)
• LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling [87.98096428508181]
  LongVTは、Multimodal Chain-of-Tool-Thoughtを通じて"Thinking with Long Videos"を可能にするエンドツーエンドのエージェントフレームワークである。 我々は、LMM固有の時間的接地機能を利用して、特定のビデオクリップをズームインし、よりきめ細かいビデオフレームを再サンプリングするネイティブビデオトリミングツールを開発した。 トレーニングデータセットは, ツール統合型冷間始動微調整用247.9K試料, エージェント強化学習用1.6K試料, エージェント強化微調整用15.4K試料からなる。
  論文  参考訳（メタデータ） (2025-11-25T19:22:48Z)
• GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory [59.869552603264076]
  GCAgent(Global-Context-Aware Agent)は,広義の長ビデオ理解を実現する新しいフレームワークである。 これは、イベントとその因果関係と時間的関係を、簡潔で組織化されたコンテキストに構造的にモデル化するものです。 実験により、GCAgentは、強力なMLLMベースライン上でのVideo-MME Long分割において、最大23.5%の精度向上を実現した。
  論文  参考訳（メタデータ） (2025-11-15T04:29:00Z)
• CAViAR: Critic-Augmented Video Agentic Reasoning [90.48729440775223]
  より複雑なビデオ推論を行うために、知覚能力を利用することができますか? 我々は,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 我々は,我々のエージェントと批評家の組み合わせが,データセット上で高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-09-09T17:59:39Z)
• Deep Video Discovery: Agentic Search with Tool Use for Long-form Video Understanding [60.88843818016968]
  長時間のビデオ理解は時間空間の複雑さと質問応答の難しさによって大きな課題を呈する。 セグメント化されたビデオクリップ上でのエージェント検索戦略を活用するために,Deep Video Discovery (DVD) エージェントを提案する。 当社のDVDエージェントは,LVBenchデータセット上での最先端性能を実現し,74.2%の精度を実現した。
  論文  参考訳（メタデータ） (2025-05-23T16:37:36Z)
• VideoAds for Fast-Paced Video Understanding [33.05564519544605]
  広告ビデオ上でMLLMのパフォーマンスをベンチマークするための最初のデータセットであるVideoAdsを紹介する。 VideoAdsは、複雑な時間構造を持つよく計算された広告ビデオで構成されており、テキストに手動で注釈付けされた多様な質問が伴っている。 オープンソースのMLLMであるQwen2.5-VL-72Bは、ビデオ広告で73.35%の精度を実現し、GPT-4oとGemini-1.5 Proを上回っている。
  論文  参考訳（メタデータ） (2025-04-12T17:05:35Z)
• VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding [28.316828641898375]
  VideoAgent: 1)は、一般的な時間的イベント記述と、ビデオのオブジェクト中心のトラッキング状態の両方を格納する構造化メモリを構築する。 2) 入力タスククエリが与えられた場合,ビデオセグメントのローカライゼーションやオブジェクトメモリクエリなどのツールと,他の視覚基盤モデルを用いて対話的にタスクを解く。
  論文  参考訳（メタデータ） (2024-03-18T05:07:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。