视觉代理记忆：通过在线索引、分层记忆和代理检索实现在线长视频理解

长视频理解需要的不仅仅是大的上下文窗口。它还需要一种记忆机制来决定保留哪些视觉证据，使其在长期范围内可搜索，并以可恢复的观察结果为基础进行稍后的推理，而不仅仅是压缩的潜在状态。我们提出视觉代理记忆（VAM），一个具有三个组件的 无需训练 框架。在线索引支持在流限制下选择性保留证据。分层记忆以并行表示形式组织保留的证据，使时间背景与空间观察保持一致。代理检索在产生有根据的答案之前搜索、检查和验证候选证据。在 OVO-Bench 上，VAM 在所有报告的基线中实现了最高的 RT+BT 平均值 (68.41)，优于相同底层 MLLM 的端到端使用（Gemini 3 Flash，67.46）。在 MM-Lifelong train@month 的月尺度分割上（51 天 105.6 小时），VAM 达到 17.11%，仅次于 ReMA 和 GPT-5（17.62%）。这些结果表明，将视觉记忆视为明确的、可检查的和可查询的基质可以使长视距视频理解受益。代码可在 https://github.com/yiliu-li/Visual-Agentic-Memory 获取。