LongEmo：面向长视频中的情绪理解与推理

一篇 arXiv 论文提出 LongEmoBench，用于评估长视频中的情绪理解与推理，涵盖从连续场景交互到复杂情节发展的递进能力；同时提出记忆增强的智能体框架 LongEmo，通过构建 Event Memory Graph 建模跨事件的远程依赖与情绪动态，并按问题检索相关事件流、迭代整合多模态记忆得出答案。对 17 种代表性方法的评测显示它们在长视频情绪理解与推理上表现吃力，LongEmo 取得当前最佳性能。

此前多模态大模型的情绪计算多局限于短视频片段，交互有限，把情绪当作孤立瞬时反应。该工作把评测与建模对象扩展到长时程、跨事件的累积情绪过程，并给出事件级记忆结构，为长视频情绪相关任务提供了新的评测基准和方法对照。

机制上，LongEmo 先把连续视频流切分为离散事件并构建 Event Memory Graph，显式记录事件之间与情绪变化的远程依赖；收到问题后从图中检索与查询相关的事件流，再迭代融合多模态记忆与关系依赖，逐步推导答案。这相当于把长上下文问题转为图上的检索与聚合问题，以降低单次推理对超长输入的依赖。

对做视频理解、内容审核、用户情绪分析或陪伴类应用的产品团队而言，该工作提示长视频情绪分析需要事件级记忆与检索式推理，而非直接套用短视频模型；可据此调整技术选型与评测方式，把基准从短片扩展到长内容，并考虑引入图结构存储与多步检索来改善多模态理解效果。

• 在长视频内容分析与情绪标注流程中，引入按事件切分并建图的记忆结构，替代整段视频直接输入模型的做法。
• 用 LongEmoBench 作为内部评测集，对现有视频多模态模型做长时程情绪理解与推理能力的回归测试。
• 面向客服或社区场景，试点以事件记忆图追踪用户情绪随会话推进的累积变化，输出跨轮次情绪走势。
• 把事件检索加多模态记忆聚合的思路，迁移到需要长时程依赖的视频摘要或剧情理解产品功能中。

• LongEmoBench 的具体任务构成、标注方式与规模尚未在证据中说明。
• LongEmo 所依据的基座模型、训练与推理成本未披露。
• 17 种代表性方法的名单及其具体评测差距数值未知。
• Event Memory Graph 在超长视频上的存储与检索效率尚无证据支持。