动机 大视觉语言模型（LVLMs）在多轮交互中需要持续记忆，现有方案分为长上下文 LVLMs 和记忆增强智能体两类，但缺乏在需要多模态证据的任务上对二者进行长度控制对比的基准。多数文本记忆基准忽略视觉，多模态基准常存在文本捷径，无法真正考验跨模态记忆。MemLens 正是为填补这一空白而设计。

方法关键点

• 五类记忆能力：信息提取（IE）、多会话推理（MSR）、时序推理（TR）、知识更新（KU）、回答拒绝（AR），覆盖检索、聚合、更新与拒答。
• 强制跨模态依赖：通过实体抽象（如将“金门大桥”替换为“图中这座桥”）和图像‑文本交织构造，使 80.4% 的问题必须依赖视觉证据，消融实验证明移除图像后准确率骤降至 2% 以下。
• 标准化长度构造：每个问题在 32K/64K/128K/256K tokens 四个长度下实例化，采用跨模态 token 计数，插入与证据风格、话题相似但无关的填充会话，提高检索难度。
• 对比评估：在同一基准上评价 27 个 LVLMs 和 7 个记忆增强智能体，后者包括纯文本和少量多模态方案，纯文本方案用图像标题替代原图。

关键结果

• 总体天花板至今未破：32K 上下最高准确率仅 58.68%（Qwen3.5‑122B），128K 时降为 52.99%（Gemini‑3.1‑Pro）。
• 两类方案互补失效：长上下文 LVLMs 短上下文表现好（直接视觉接地），但长度增长后衰退（IE 降约 20%，AR 降约 30%）；记忆智能体长度稳定，但得分普遍低于 LVLMs，尤其在 IE 和 KU 上因压缩丢失视觉细节（纯文本方案用 BLIP‑2 标题，差距依然明显）。
• 多会话推理最难：MSR 上限仅 44%（Kimi‑K2.5），多数系统低于 30%，错误中 73% 为推理错误而非检索错误，但 oracle 检索实验表明正确提供所需会话后准确率恢复至 90%+，提示长上下文下的推理劣化源自上游检索失败。
• 视觉检索是瓶颈：IE 和 KU 约 90% 的错误属于“视觉”类别（未找到或未正确读取证据图像），说明长上下文首先损害证据定位，而非理解能力。
• 拒答能力退化：微调的记忆智能体（如 MemAgent‑7B、Memory‑T1、M2A）在 AR 上仅有 9‑22%，而保持骨干网络冻结的智能体（Mem0、MemOS）可达 68‑77%，显示现有记忆微调忽略了拒答信号。

一句话记忆：单纯缩放上下文长度或压缩记忆均不能解决多模态长时记忆，未来需融合长注意力和结构化多模态检索的混合架构，并优先提升视觉证据的保持与检索保真度。