MaLoW记忆框架

MaLoW是一种针对流式视觉语言模型（VLM）的记忆框架，其核心创新在于不再将历史视频帧重新引入输入上下文，而是通过循环超网络（Recurrent HyperNetwork）将观察到的信息增量式地整合进固定大小的LoRA权重中。这一设计解决了传统方法中历史记忆与当前实时观察争夺有限上下文窗口的矛盾，实现了“历史即权重，当下即输入”的处理模式。

在性能表现上，MaLoW在OVO-Bench基准测试的回溯部分（backward split）相比现有记忆方法提升了3.9%至11.8%，同时在Simpler WidowX视觉-语言-动作任务中将操作成功率提高了9.3%。尽管引入了额外的参数更新步骤，但其延迟开销被描述为“适度”，且仅增加1.4%至4.0%的可训练参数比例。【存疑】有分析指出，其在实时感知（Real-Time）指标上并未全面超越竞品StreamTTT，且在特定对比中因采样率不同（1 fps vs 2 fps）导致比较条件不完全受控。

该框架的意义在于验证了将长程依赖关系参数化（Parametric Memory）而非外部检索（Retrieval-based Memory）的可行性，特别是在需要连续处理视频流的场景下。它挑战了主流依靠KV缓存或向量数据库进行历史回溯的技术路线，提出了一种更紧凑但计算路径不同的记忆内化方案。