VL-MemKnG 是俄罗斯研究团队提出的一种混合记忆框架，用于解决长时自我中心（egocentric）导航视频上的问答难题。该论文于 2026 年 6 月 15 日提交至 arXiv（编号 2606.17183），归类为机器人学（cs.RO），作者为 Svetlana Lukina 等共 5 人，全文约 3 MB。
研究动机在于：在长时自我中心视频中回答导航相关问题，需要检索并组织散布于相隔遥远时间点上的证据，同时保持空间与上下文的一致性。长上下文视觉—语言模型虽然能给出质量较高的答案，但对于长轨迹而言计算成本高昂，且在重复查询时效率低下。此前 VL-KnG 等方法通过持久化的时空知识图谱来应对这一挑战，然而仅依赖以图为中心的检索，可能会低估更宽泛的时间连续性与上下文线索。
为此，作者提出 VL-MemKnG，在 VL-KnG 基础上扩展出混合记忆框架，将时空知识图谱与持久化的片段级上下文记忆相结合。知识图谱负责捕捉结构化关系信息和长程物体关联，片段级记忆则保留更宏观的时间上下文，以支持长时程证据检索。系统设有一个混合检索与推理模块，同时在两种记忆表示上联合运作，从而生成有据可依的答案，以及按时间顺序组织的支撑证据。
作者还构建了 WalkieKnowledgeT+ 基准，这是 WalkieKnowledge 在长时程、面向导航的视频问答方向上的扩展版本。该基准包含时间上分散的推理任务，要求模型跨多个并非同时出现的时刻聚合证据。
在 WalkieKnowledgeT+ 上，VL-MemKnG 将 Top-1 检索准确率从 58% 提升至 67%，Recall@1 从 34.50% 提升至 40.55%，优于包括 Gemini 2.5 Pro 和 Qwen 3.5+ 在内的所有对比方法。这些增益在时间全局类问题和时间分散聚合类问题上尤为明显，说明将结构化关系记忆与片段级上下文记忆相结合，能够在保持查询时推理效率的同时带来显著收益。