論文の概要: 4DMemory: Benchmarking Long-Horizon Spatiotemporal Memory with Harness-Augmented Agents

• arxiv url: http://arxiv.org/abs/2610.32332v1
• Date: Fri, 23 Oct 2026 08:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.434914
• Title: 4DMemory: Benchmarking Long-Horizon Spatiotemporal Memory with Harness-Augmented Agents
• Title（参考訳）: 4Dメモリ:Harness-Augmented Agentを用いた長期時空間メモリのベンチマーク
• Abstract要約: 人間のプロセスストリームは、何時間から何年にもわたって、永続的できめ細かい記憶を作り上げます。 長期的推論の評価と改善のために,LongVideoと4DMemoryBenchデータセットを導入した。
• 参考スコア（独自算出の注目度）: 47.931371300910335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans efficiently process multimodal streams spanning hours to years, building persistent, fine-grained spatiotemporal memories that support reasoning about and predicting long-horizon events. In contrast, existing benchmarks focus on short- and medium-context tasks, and most foundation models struggle to preserve fine-grained information over long horizons. To evaluate and improve long-horizon spatiotemporal reasoning, we introduce the LongVideo dataset and the 4DMemoryBench. LongVideo comprises about 900 hours of video and over 5,000 manually reviewed questions covering visual, textual, and spatiotemporal reasoning across diverse context lengths. We further develop the 4DMemory Harness, which integrates four complementary skills, 22+ specialized tool models, and a model-specific retrieval-augmented generation system. Evaluating 13 leading models, we find that standalone foundation models struggle with long-horizon tasks, while the 4DMemory Harness improves all of them by over 50\%. Compared to previous benchmark, the same models exhibit a performance drop of more than 10\% on 4DMemoryBench. We hope 4DMemory will facilitate the development of spatiotemporal agents capable of addressing complex, long-horizon tasks.
• Abstract（参考訳）: 人間は数時間から数年にわたるマルチモーダルストリームを効率的に処理し、長期にわたる出来事の推論と予測を支援する、永続的できめ細かい時空間記憶を構築する。 対照的に、既存のベンチマークは、短文と中文のタスクに焦点を当てており、ほとんどの基礎モデルは、長い地平線上できめ細かい情報を保存するのに苦労している。 長距離時空間推論の評価と改善のために,LongVideoデータセットと4DMemoryBenchを導入する。 LongVideoは、約900時間のビデオと、視覚的、テキスト的、時空間的推論に関する5000以上の手作業による質問で構成されている。 さらに,4つの補完スキル,22以上の専門ツールモデル,モデル固有の検索拡張生成システムを統合した4DMemory Harnessを開発した。 13の主要なモデルを評価すると、スタンドアローンのファンデーションモデルは長期的なタスクに苦労しているのに対し、4DMemory Harnessはそれら全てを50%以上改善している。 以前のベンチマークと比較すると、同じモデルは4DMemoryBenchで10倍以上のパフォーマンス低下を示している。 4DMemoryは複雑な長期タスクに対処できる時空間エージェントの開発を促進することを願っている。

関連論文リスト

• EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding [89.26501160264199]
  EgoMemReasonは、メモリ駆動推論を通じて、1週間のエゴセントリックなビデオ理解を体系的に評価する。 EgoMemReasonには3つのメモリタイプと6つのコア課題に関する500の質問が含まれている。 EgoMemReasonをMLLMとエージェントフレームワークにまたがる17の手法で評価する。
  論文  参考訳（メタデータ） (2026-05-11T01:59:59Z)
• TeleMem: Building Long-Term and Multimodal Memory for Agentic AI [43.36544433800511]
  大規模言語モデル(LLM)は、多くのNLPタスクにおいて優れているが、対話履歴の拡張に対する注意が限られているため、長期的な相互作用を維持するのに苦労する。 本稿では,コヒーレントなユーザプロファイルを物語動的抽出により維持する,長期・マルチモーダル統合メモリシステムTeleMemを提案する。 TeleMemは最先端のMem0ベースラインを19%上回り、トークンは43%減り、ZH-4Oの長期ロールプレイゲームベンチマークでは2.1倍高速化された。
  論文  参考訳（メタデータ） (2025-12-12T11:24:52Z)
• RELIC: Interactive Video World Model with Long-Horizon Memory [74.81433479334821]
  真のインタラクティブな世界モデルは、リアルタイムの長距離ストリーミング、一貫した空間記憶、正確なユーザ制御を必要とする。 この3つの課題を完全に解決する統合フレームワークであるRELICを紹介します。 単一の画像とテキスト記述が与えられた後、RELICは任意のシーンをリアルタイムにメモリを意識した長期探索を可能にする。
  論文  参考訳（メタデータ） (2025-12-03T18:29:20Z)
• WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
  我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。 WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T05:14:52Z)
• T*: Re-thinking Temporal Search for Long-Form Video Understanding [66.72243342954823]
  現在の時間探索法は、Longvideobenchサブセットで2.1%の時間F1スコアしか達成していない。 画像中の視覚探索に触発されて,空間探索として高価な時間探索を再構成する軽量な時間探索フレームワークT*を提案する。 大規模な実験により、T*と既存の方法を統合することにより、SOTAの長めのビデオ理解が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-04-03T04:03:10Z)
• X-LeBench: A Benchmark for Extremely Long Egocentric Video Understanding [25.85614872348223]
  ロングフォームなエゴセントリックなビデオ理解は、コンテキスト情報と長期的な人間の行動に関する洞察を提供する。 既存のベンチマークデータセットは、主に、単一、短調のビデオ、あるいは適度に長いビデオに焦点を当てている。 X-LeBenchは、極端に長いエゴセントリックなビデオ録画のタスクを評価するために特別に作られた、新しいベンチマークデータセットである。
  論文  参考訳（メタデータ） (2025-01-12T15:07:03Z)
• VideoLLaMB: Long Streaming Video Understanding with Recurrent Memory Bridges [39.666361965650836]
  VideoLLaMBは、長いビデオ理解のためのフレームワークである。 SceneTilingアルゴリズムは、ビデオをコヒーレントなセマンティックユニットに分割する。 VideoLLaMBは1つのNvidia A100 GPUを使用して最大320フレームを処理する。
  論文  参考訳（メタデータ） (2024-09-02T08:52:58Z)

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。