연구진이 장기 멀티모달 대화의 한계를 극복하기 위해 Episodic Visual Memory를 활용하는 Cognitive-structured 멀티모달 에이전트를 제안했어요.
Perceptual Abstraction Engine, Cognitive Retrieval Engine, Multimodal Executive Controller로 구성되어 있으며, 시각 정보를 구조화하고 관련 에피소드를 재활용합니다.
새로운 Unified Scenario Engine을 통해 턴 단위 검색 감독을 제공하고, 8B 에이전트는 20턴 세션에서 91.4%의 검색 정확도를 달성하며 기존 모델보다 성능을 개선했어요.
CMA-Harness를 통해 지속적인 멀티모달 메모리, 웹 접근, 이미지 생성/편집 도구 등을 통합하여 확장 가능하고 효율적인 멀티모달 에이전트 구축을 가능하게 합니다.