知识卡片：ProactEgoMem：流式自我中心视频中的主动记忆基准

一句话结论

ProactEgoMem 是一个评估“主动记忆”能力的基准，要求穿戴式助手在流式自我中心视频中主动判断该记什么、何时开始与停止记忆维护，而不仅是被动回答提问；现有最强模型在该基准上仍无法同时做到及时且准确地捕获记忆。

事件概述或研究问题

当前多模态助手通常是被提示后才去解读眼前的视觉证据。若要让穿戴式助手替用户分担长时段记忆的认知负担，它需要在用户周围环境变化时主动获取并维护有用记忆——这要求识别什么重要、实时理解场景，并在用户专注于自身活动时于后台发起记忆维护。ProactEgoMem 正是为评估这种“主动记忆”而提出的流式自我中心视频基准。

方法/产品要点

• 三类任务（对应环境性需求）：
  • Information Capture（IC）：保留短暂但密集的视觉信息。
  • State Tracking（ST）：跟踪物体状态的变化。
  • Location Tracking（LT）：记录物体的移动。
• 两级主动性协议：
  • Notification Level：要求给出一次及时、满足用户意图的通知。
  • Intervention Level（更深层）：要求智能体通过“开始到停止”的工具生命周期，替用户主动维护记忆。
• 数据规模：并行的 ProactEgoMem-Daily 与 ProactEgoMem-Sci 两个赛道，分别含 300/100 个片段，覆盖日常与科研用例；配套 ProactEgoMem-QA 含 1000/500 个问题，用于衡量主动获取记忆的质量。
• 评测对象：涵盖闭源、开源、视频-语言以及流式基线模型。

主要结果或产业意义

在各类基线（闭源、开源、视频-语言、流式）中，即便最强模型也无法做到既及时又准确地捕获记忆。该基准为主动式多模态辅助、以及与用户共处的视频智能体提供了严格的评估基础。

为什么重要

它把评估焦点从“被动问答”转向“主动记忆维护”：助手需要自行判断信息的价值并管理记忆的启停，而非等待提示。这对穿戴式/伴随式视频智能体的实际部署具有直接意义，也补充了现有自我中心视频理解基准（多侧重被动理解或高风险动作识别）未覆盖的“主动性”维度。

局限与不确定性

• 材料仅给出基准设计与总体结论，未披露各基线模型的具体分数与排名，待核实。
• 片段与问题的采集来源、标注流程与质量控制细节，待核实。
• “及时且准确”的具体判定阈值与评分细则，待核实。
• 论文发表信息（arXiv 编号与日期）以来源为准，其真实性待核实。

可用于图书/PPT/简报的角度

• 从“被动响应”到“主动记忆”：多模态助手能力范式的转变。
• 穿戴式助手的记忆启停机制：何时开始记、何时停止记。
• 三类环境性记忆任务（IC/ST/LT）作为主动记忆的能力分解框架。
• 日常 vs 科研双赛道：同一能力在不同场景下的迁移与差异。

与既有脉络的关系

与 EgoPolice（高风险自我中心视频理解）、MemTrapBench（LLM 记忆使用的认知陷阱）、R2M-Bench（交互式视频世界模型的重访记忆）相比，本卡片聚焦的是“流式自我中心视频中主动发起与维护记忆”的评测，增量在于把记忆评估从“是否记住/是否被记忆误导”推进到“是否主动、及时地获取并维护记忆”。

原始材料

• 标题：ProactEgoMem: Benchmarking Proactive Memory in Streaming Egocentric Video
• 作者：Ruotong Liao, Meikel Kokowski, Xiaoxiao Sun, Yongqin Xian, Laura Bravo Sánchez, Shiye Su, Federico Tombari, Serena Yeung-Levy, Volker Tresp
• arXiv ID：2610.30089v1（Primary category: cs.CV）
• 发布/更新：2026-10-21
• 摘要页：https://arxiv.org/abs/2610.30089v1
• PDF：https://arxiv.org/pdf/2610.30089v1