video-SALMONN 2+

OmniMem 提升大语言模型内存效率，用于长视频分析

研究人员开发了 OmniMem，一个旨在提高音视频大语言模型处理长视频时内存效率的新框架。OmniMem 通过采用一种区分视觉和音频上下文的模态感知分配策略，解决了视频 token 和 KV 缓存线性增长的挑战。它还使用扰动感知选择来保留关键信息，防止内存压缩损害理解。实验表明，在相似的内存限制下，OmniMem 比现有方法提高了 2-4% 的准确率，通过预算感知微调还可以获得进一步的提升。