LightMem-Ego: Tu memoria de IA para la vida cotidiana
LightMem-Ego: Your AI Memory for Everyday Life
July 13, 2026
Autores: Yijun Chen, Boyi Xiao, Yixian Zhao, Haoting Xia, Buqiang Xu, Jizhan Fang, Yanya Li, Yaqi Zheng, Xuehai Wang, Zirui Xue, Liuxin Zhang, Hui Li, Ningyu Zhang
cs.AI
Resumen
Los asistentes de inteligencia artificial personales en dispositivos móviles y portátiles perciben continuamente la vida diaria de los usuarios a través de flujos visuales y de audio. Sin embargo, responder consultas sobre experiencias pasadas requiere una memoria multimodal ligera que pueda acumular, organizar y recuperar experiencias a largo plazo de forma continua, lo cual sigue siendo un desafío. Para abordar este desafío, presentamos LightMem-Ego, un sistema de memoria multimodal ligera y en transmisión continua para la asistencia en la vida cotidiana. El sistema captura de manera continua flujos visuales y de audio egocéntricos, los alinea en una línea de tiempo compartida y los organiza en una memoria jerárquica compuesta por memoria actual, a corto plazo y a largo plazo. Dada una consulta del usuario, LightMem-Ego dirige dinámicamente la recuperación al nivel de memoria apropiado y genera respuestas fundamentadas en evidencia multimodal. La demostración se puede implementar en teléfonos inteligentes y gafas de IA, lo que permite la búsqueda de objetos, el recuerdo de conversaciones, el resumen de la vida, el descubrimiento de rutinas y la asistencia personalizada. El código está disponible en https://github.com/zjunlp/LightMem-Ego.
English
Personal AI assistants on mobile and wearable devices continuously perceive users' daily lives through visual and audio streams. However, answering queries about past experiences requires lightweight multimodal memory that can continuously accumulate, organize, and retrieve long-term experiences, which remains challenging. To address this challenge, we present LightMem-Ego, a lightweight streaming multimodal memory system for everyday-life assistance. The system continuously captures egocentric visual and audio streams, aligns them on a shared timeline, and organizes them into a hierarchical memory consisting of current, short-term, and long-term memory. Given a user query, LightMem-Ego dynamically routes retrieval to the appropriate memory level and generates answers grounded in multimodal evidence. The demonstration can be deployed on smartphones and AI glasses, supporting object finding, conversation recall, life summarization, routine discovery, and personalized assistance. Code is available at https://github.com/zjunlp/LightMem-Ego.