長期的な一人称視点の動画においてナビゲーションに関連する質問に答えるには、遠く離れた時点に分散した証拠を検索・整理しつつ、空間的・文脈的な一貫性を保つ必要がある。長文脈の視覚言語モデルは高品質な回答を生成できるが、長い軌跡に対しては計算コストが高く、繰り返しの問い合わせには非効率である。最近の VL-KnG のようなグラフベースの手法は、永続的な時空間知識グラフを用いてこの課題に対処しているが、グラフ中心の検索だけでは、より広範な時間的連続性や文脈的手がかりを十分に表現できない可能性がある。
この問題に対処するため、本論文は VL-MemKnG を提案する。これは VL-KnG を拡張したハイブリッドメモリフレームワークであり、時空間知識グラフと永続的なセグメントレベルの文脈メモリを組み合わせる。知識グラフは構造化された関係情報と長距離の物体関連を捉え、セグメントレベルのメモリは長期的な証拠検索のためのより広い時間的文脈を保持する。ハイブリッドな検索・推論モジュールは両方のメモリ表現を同時に操作し、証拠に基づく回答と時間的に整理された支持証拠を生成する。
著者らはまた、WalkieKnowledge を拡張した WalkieKnowledgeT+ ベンチマークを導入する。これは長期的なナビゲーション指向の動画質問応答を対象とし、複数の非同時刻の瞬間にまたがる証拠集約を必要とする時間分散型推論タスクを含む。WalkieKnowledgeT+ 上で、VL-MemKnG は Top-1 検索精度を 58% から 67% に、Recall@1 を 34.50% から 40.55% に改善し、Gemini 2.5 Pro や Qwen 3.5+ を含むすべての比較手法を上回った。これらの改善は、時間的グローバルおよび時間的分散集約の質問で特に顕著であり、構造化された関係メモリとセグメントレベルの文脈メモリを組み合わせることで、クエリ時の効率的な推論を維持しつつ利点が得られることを示している。