**MemDreamer：通过分层图记忆与智能检索框架解耦感知与推理，实现长视频高效理解**

_MemDreamer: Decoupling Perception and Reasoning for Long Video Understanding via Hierarchical Graph Memory and Agentic Retrieval Mechanism_

> 当前视觉语言模型在处理长视频时面临 token 爆炸和注意力稀释问题。MemDreamer 将长视频理解转化为智能体探索过程，通过分层图记忆架构增量式构建视频语义，并在推理时使用工具增强的检索循环（观察-推理-动作）导航节点与逻辑关系。实验在四项主流基准上取得 SOTA 结果，与人类专家的差距缩小至 3.7 分，推理上下文窗口仅需全量输入的 2%，准确率绝对提升 12.5 分。统计分析还揭示模型逻辑推理能力与长视频理解性能呈强正线性相关，为多模态理解提供了智能体能力扩展的新范式。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-10 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.07512)