LightMem-Ego : Votre mémoire IA pour la vie quotidienne
LightMem-Ego: Your AI Memory for Everyday Life
July 13, 2026
Auteurs: 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
Résumé
Les assistants IA personnels sur les appareils mobiles et portables perçoivent en continu la vie quotidienne des utilisateurs via des flux visuels et audio. Cependant, répondre à des questions sur des expériences passées nécessite une mémoire multimodale légère capable d'accumuler, d'organiser et de retrouver en continu des expériences à long terme, ce qui reste un défi. Pour relever ce défi, nous présentons LightMem-Ego, un système de mémoire multimodale légère en flux continu pour l'assistance à la vie quotidienne. Le système capture en continu des flux visuels et audio égocentriques, les aligne sur une chronologie partagée et les organise en une mémoire hiérarchique composée de mémoire courante, à court terme et à long terme. Face à une requête utilisateur, LightMem-Ego oriente dynamiquement la recherche vers le niveau de mémoire approprié et génère des réponses fondées sur des preuves multimodales. La démonstration peut être déployée sur des smartphones et des lunettes IA, prenant en charge la recherche d'objets, le rappel de conversations, le résumé de vie, la découverte de routines et l'assistance personnalisée. Le code est disponible à l'adresse 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.