arXiv cs.AI· Xiaofan Wu, Xi Zeng, Miaoxia Chen, Peishan Chen, Shuyan Li, Chen Wang, Xiaohan Wang, Wanling Xu, Jiyun Yao, Hanyong Zhong, Jiahao Zhu·· 3 天前AI 评分26
相机优先 AI 智能体应如何工作？arXiv 论文提出双截止时间架构
How Should a Camera-First AI Agent Work?
AI 导读
一篇 arXiv 立场论文指出，相机优先 AI 智能体的核心障碍不是识别能力，而是时间——许多视觉目标转瞬即逝，等单体流水线完成推理时证据已消失。作者将此形式化为 Ephemeral-Target Interaction（ETI）与感知截止时间契约，区分硬性记忆截止时间与软性推理截止时间，并提出双截止时间架构：常开、有界、非语义的快路径，主动记忆机制，以及延迟审议层。
正文 · AI 翻译
作者：Xiaofan Wu、Xi Zeng、Miaoxia Chen、Peishan Chen、Shuyan Li、Chen Wang、Xiaohan Wang、Wanling Xu、Jiyun Yao、Hanyong Zhong、Jiahao Zhu
摘要：以摄像头为先的智能体必须随着视觉世界的展开而对其采取行动。我们认为，未来以摄像头为先的智能体所面临的核心障碍并非识别能力——多模态模型（无论是视觉语言模型还是实时/流式模型）都能通过语言很好地泛化，并且仍然是语义推理的正确工具——而是时间。许多视觉目标都是转瞬即逝的：它们出现、与查询相关，并在很短的窗口内离开。将记忆与推理绑定在同一条端到端路径上意味着，当单体式流水线完成时，证据已经消失。我们将其形式化为瞬逝目标交互（ETI）以及一个感知截止时间契约，该契约将硬性记忆截止时间与软性推理截止时间分离，其依据是感官记忆与工作记忆的有界、被动性质。我们提出一种双截止时间架构：一条始终开启、有界、非语义的快速路径；一种主动记忆机制，在被覆盖之前将某一时刻提交到持久记忆中（v1 中为事件驱动）；以及一个延迟审议层（多模态模型 + 工具）。我们在真实的 MOT17 轨迹窗口上实例化该契约，进行一致性检查，并根据测得的前沿模型延迟校准单路径基线：即使是一个简短回答也需要 1.2-9.3 秒，而智能体式的识别与搜索则更久。答案可以迟到；证据不能错过。
| 评论： | 8 页，4 幅图，3 张表。关于时间关键的以摄像头为先的智能体（系统/时序）的立场/契约论文。主要 cs.AI； |
| 主题： | 人工智能（cs.AI）；人机交互（cs.HC）；计算机科学中的逻辑（cs.LO） |
| 引用为： | arXiv:2610.14772 [cs.AI] |
| （或 arXiv:2610.14772v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14772 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Xiaofan Wu [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 09:53:25 UTC（37 KB）
[v2]
2026 年 10 月 14 日星期三 05:10:05 UTC（37 KB）
来源：arXiv cs.AI · arxiv.org