VMem-Bench 诊断长视频生成视觉记忆

研究团队构建 VMem-Bench 双轨诊断基准，考察长视频生成中检索历史视觉信息的作用。其 Track-B 在 30 个因果生成故事（2,824 段）上对比四种检索策略与无记忆、金标对照，结果显示检索让实体召回从 0.559 升至 0.628-0.693，但精确率从 0.977 降至 0.915-0.938，禁用实体规避从 0.968 降至 0.845-0.898，并可能强化故事已改变前的过时外观。 据论文描述，这表明视觉记忆并非总是有益，检索历史画面在提高召回的同时会引入更多错误实体、削弱对禁用实体的规避。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。