Live 18/11 · Cohorte 318 nov à 19h00 MSK — atelier pratique gratuit sur les agents IA · La Cohorte 3 démarre le 23/11Atelier 18/11 →Cohorte 3 (23/11)

Loom de Looki : la mémoire d'une caméra portable atteint 79 points, soit 18 de plus que mem0

Une caméra portable enregistre des heures de vidéo et de son par jour, et personne ne les revisionnera. Looki, le fabricant de la caméra L1, a conçu Loom : le système découpe lui-même l'enregistrement en événements et répond à une question comme « qu'a-t-on convenu avec le fournisseur ? » en montrant les images d'origine. Sur son propre test, Loom obtient 79 points, soit 18 de plus que mem0 et 15 de plus que A-Mem. Aucune vérification par des laboratoires indépendants n'existe pour l'instant.

Traité par IA depuis TG: @ai_machinelearning_big_data (Machinelearning) ; édité par Hamidun News
Loom de Looki : la mémoire d'une caméra portable atteint 79 points, soit 18 de plus que mem0
Source : TG: @ai_machinelearning_big_data (Machinelearning). Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTG: @ai_machinelearning_big_data (Machinelearning) ↗
Rédacteur en chef
Chiffre clé #1Sense reconnaît un événement en 0,51 s, avec un F1 de 88,6 sur près de 20 types d'événements
Chiffre clé #2Moment détecte les frontières des événements plus précisément que Qwen Omni et Gemini Flash
Pas de code ouvertseuls une démo web et une API sont disponibles

Une caméra portable enregistre en une journée des heures de vidéo et de son, et personne ne les revisionnera. Pour que cet enregistrement serve à quelque chose, l'assistant doit pouvoir répondre à une question du type « qu'avons-nous convenu avec le fournisseur la semaine dernière ? » et montrer les images dont provient la réponse.

C'est précisément ce que fait Loom, un système de Looki, le fabricant chinois de la caméra portable Looki L1. Sur le test interne de l'entreprise, constitué d'enregistrements réels d'utilisateurs recueillis avec leur consentement, la mémoire de Loom obtient 79 points. C'est 18 points de plus que mem0 et 15 de plus que A-Mem.

Ces deux concurrents sont des systèmes de mémoire courants pour agents IA textuels, c'est-à-dire conçus pour les conversations et les documents, pas pour la vidéo. L'intérêt pratique pour un développeur : si vous construisez un assistant doté d'une caméra ou d'un micro, le schéma « événements – résumés – images sources » ressemble à une alternative crédible à une mémoire textuelle à plat, mais les chiffres n'ont pour l'instant été obtenus que par Looki elle-même.

De quoi se compose Loom

Le système repose sur deux modèles et une couche de mémoire.

Sense répond à la question « que se passe-t-il en ce moment ». On lui fournit un court fragment de vidéo et de son, une question sur l'événement et plusieurs réponses possibles. Le modèle ne rédige pas de description : il évalue chaque option. Pour un appareil toujours allumé, c'est un choix judicieux, car sélectionner dans une liste est plus rapide et moins coûteux que générer du texte. Selon Looki, sur un jeu interne couvrant près de 20 types d'événements, Sense atteint un F1 de 88,6 (une mesure globale de la précision et de l'exhaustivité avec lesquelles le modèle trouve les événements voulus), pour un temps de reconnaissance moyen de 0,51 seconde.

Moment travaille sur du matériel déjà enregistré. Il aligne l'image et le son sur une même échelle de temps, détecte lui-même les frontières des événements et les décrit. Chaque événement comporte une heure de début et de fin, une description et des éléments de preuve. À côté de chaque fait figure une mention : cela a été vu, entendu ou déduit du contexte. Cette annotation compte pour la confiance : l'utilisateur distingue ce qui est réellement passé dans le champ de la caméra de ce que le modèle a supposé. Looki affirme que Moment détecte les frontières des événements plus précisément que Qwen Omni et Gemini Flash. La source ne fournit aucun chiffre précis.

Comment fonctionne la mémoire

La couche Memory assemble les événements en résumés journaliers, hebdomadaires et mensuels, ainsi qu'en un instantané global de ce que le système sait de l'utilisateur : ses habitudes, son environnement, ses activités récurrentes.

Lorsque l'utilisateur pose une question, le système procède de haut en bas. Il consulte d'abord les résumés mensuels, descend ensuite vers les événements concrets et, si nécessaire, jusqu'aux images sources. C'est comparable à une recherche dans des archives papier : on ouvre d'abord le bon dossier, puis la bonne feuille, et on vérifie enfin l'original du document. Le modèle n'a pas à garder en contexte tout un mois d'enregistrements, et la réponse peut être vérifiée à la source.

L'écart avec mem0 et A-Mem paraît prévisible : les deux systèmes ont été créés pour le texte, alors que la vidéo et le son d'une caméra constituent un autre type de matériau.

Que faire de tout cela, et quelles réserves

Pour ceux qui conçoivent des appareils portables, des assistants vocaux et vidéo ou une « seconde mémoire » pour l'utilisateur, Loom propose un schéma prêt à l'emploi :

  • un modèle rapide dédié à la reconnaissance des événements ;
  • une étape distincte qui découpe le flux en épisodes en indiquant la source de chaque fait ;
  • une hiérarchie de résumés, où la recherche va du général au particulier et se termine par un lien vers l'image d'origine.

Les réserves sont substantielles. Tous les chiffres proviennent de jeux de données internes de Looki, sans vérification indépendante. La comparaison avec mem0 et A-Mem a été menée sur un benchmark que l'entreprise a construit elle-même ; hors de ses données, l'écart pourrait donc être différent. Pour Moment, il n'existe aucun chiffre, seulement le mot « plus précisément ». Enfin, l'enregistrement permanent des personnes alentour soulève des questions de vie privée. La source indique seulement que les données du test ont été collectées avec le consentement des utilisateurs ; elle ne précise pas comment le système traite les voix et les visages de tiers.

L'accès à Loom est limité. On peut l'essayer dans une démo web et une API existe, mais Looki ne prévoit pas de publier le système en accès libre. Les développeurs tiers n'ont donc le choix qu'entre utiliser l'API et reproduire l'architecture par eux-mêmes.

L'entreprise décrit ainsi la suite : fusionner les trois composants en un seul modèle multimodal, qui décidera lui-même quand proposer son aide. L'assistant cesserait alors de se contenter de répondre aux questions et se mettrait à intervenir de sa propre initiative. C'est plus difficile : il faut comprendre non seulement ce qui se passe, mais aussi s'il est approprié de parler à cet instant. En attendant, Loom montre que la mémoire d'une caméra portable gagne à être conçue comme une couche distincte, avec des liens vers les originaux.

Dossier

Questions clés sur cet article

Que sait-on sur De quoi se compose Loom ?

Le système repose sur deux modèles et une couche de mémoire. Sense répond à la question « que se passe-t-il en ce moment ». On lui fournit un court fragment de vidéo et de son, une question sur l'événement et plusieurs réponses possibles. Le modèle ne rédige pas de description : il évalue chaque option. Pour un appareil toujours allumé, c'est un choix judicieux, car sélectionner dans une liste est plus rapide et moins coûteux que générer du texte.

Comment fonctionne la mémoire?

La couche Memory assemble les événements en résumés journaliers, hebdomadaires et mensuels, ainsi qu'en un instantané global de ce que le système sait de l'utilisateur : ses habitudes, son environnement, ses activités récurrentes. Lorsque l'utilisateur pose une question, le système procède de haut en bas. Il consulte d'abord les résumés mensuels, descend ensuite vers les événements concrets et, si nécessaire, jusqu'aux images sources.

Que sait-on sur Que faire de tout cela, et quelles réserves ?

Pour ceux qui conçoivent des appareils portables, des assistants vocaux et vidéo ou une « seconde mémoire » pour l'utilisateur, Loom propose un schéma prêt à l'emploi : un modèle rapide dédié à la reconnaissance des événements ; une étape distincte qui découpe le flux en épisodes en indiquant la source de chaque fait ; une hiérarchie de résumés, où la recherche va du général au particulier et se termine par un lien vers l'image d'origine. Les réserves sont substantielles.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…