LightMem-Ego: Ваша ИИ-память для повседневной жизни
LightMem-Ego: Your AI Memory for Everyday Life
July 13, 2026
Авторы: 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
Аннотация
Персональные ИИ-ассистенты на мобильных и носимых устройствах непрерывно воспринимают повседневную жизнь пользователей через визуальные и аудиопотоки. Однако ответы на запросы о прошлом опыте требуют легковесной мультимодальной памяти, способной постоянно накапливать, организовывать и извлекать долгосрочные переживания, что остается сложной задачей. Для решения этой проблемы мы представляем LightMem-Ego — легковесную потоковую систему мультимодальной памяти для помощи в повседневной жизни. Система непрерывно захватывает эгоцентрические визуальные и аудиопотоки, выравнивает их на общей временной шкале и организует в иерархическую память, состоящую из текущей, краткосрочной и долгосрочной. По запросу пользователя LightMem-Ego динамически направляет извлечение на соответствующий уровень памяти и генерирует ответы, основанные на мультимодальных доказательствах. Демонстрация может быть развернута на смартфонах и ИИ-очках, поддерживая поиск объектов, воспроизведение разговоров, обобщение жизненного опыта, обнаружение рутинных действий и персонализированную помощь. Код доступен по адресу 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.