OmniMem-Lens上线：长视频问答召回最高提升45.7%

长视频对智能体的难点不只是内容多，还在于固定时间切片会打碎事件因果，并让关键细节淹没在无关画面中。只看画面时，静止镜头里的议题变化可能被漏掉；只听语音时，无台词的场景切换又难以识别。为此，openJiuwen AgentMemory 0.2.0上线了OmniMem-Lens多模态记忆能力。

OmniMem-Lens同时分析视觉与听觉：视觉流捕捉画面变化，ASR语音流识别话题转换，依据两类证据在真实事件边界切分视频，让智能体能够按事件存储和调用，而不是机械地每分钟保存一段。其目标是减少证据碎片化和噪声干扰，使长视频理解更接近人的记忆方式。

系统还建立了三层记忆结构：L1保存事件大纲，L2记录更具体的文本化信息，L0保留原始视频帧，既支持整体理解，也方便回溯细节。L1与L2均可文本化、向量化，能够接入主流向量数据库，现有RAG或Agent技术栈基本无需改造。

视频记忆整理在离线阶段完成，在线提问时先将Query与L1、L2进行语义匹配，只有需要视觉核验时才调取L0帧内容。团队使用Qwen3-VL-8B在Video-MME-L、LVbench和EgoLife-QA上测试，召回精度分别提升8%、6.4%和45.7%，其中EgoLife-QA覆盖高密度日常生活事件，最能体现事件切分的价值。

在响应速度方面，LVbench中直接让Qwen3-VL-8B处理视频需要34.5秒，OmniMem-Lens仅需1.72秒，在线时延降低约97%，速度提升约20倍。其优势在于先查已经整理好的轻量文本索引，而不是每次提问都重新遍历数小时视频。

例如，动画片中“女生离开—男生目送—幻想她变成蝴蝶”的完整事件发生在第14分20秒至第16分50秒，固定一分钟切片会将其拆散，导致系统误把幻想当成现实。OmniMem-Lens可保留完整因果关系。对于画面连续40分钟不变、但会议依次讨论架构、性能压测和排期的场景，ASR则能识别话题转换，避免关键QPS数字被噪声掩盖。

该能力已在AgentMemory 0.2.0发布，WorkSwarm也计划接入，用于记忆日常对话中的视频内容。项目地址为https://gitcode.com/openJiuwen/agent-memory/。