Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)

Loom, da Looki: memória de câmera vestível marca 79 pontos, 18 a mais que o mem0

Uma câmera vestível grava horas de vídeo e áudio por dia, e ninguém vai rever esse material. A Looki, fabricante da câmera L1, criou o Loom: o sistema divide a gravação em eventos por conta própria e responde a perguntas como "o que combinamos com o fornecedor?", mostrando os quadros originais. No teste da própria empresa, o Loom fez 79 pontos, 18 a mais que o mem0 e 15 a mais que o A-Mem. Ainda não há verificação por laboratórios independentes.

Processado por IA de TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Loom, da Looki: memória de câmera vestível marca 79 pontos, 18 a mais que o mem0
Fonte: TG: @ai_machinelearning_big_data (Machinelearning). Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalTG: @ai_machinelearning_big_data (Machinelearning) ↗
Editor-chefe
Dado-chave #1O Sense reconhece um evento em 0,51 s, com F1 de 88,6 em quase 20 tipos de evento
Dado-chave #2O Moment encontra os limites dos eventos com mais precisão que o Qwen Omni e o Gemini Flash
Não há código abertosó estão disponíveis a demo web e a API

Uma câmera vestível grava horas de vídeo e áudio por dia, e ninguém vai rever tudo isso. Para a gravação ser útil, o assistente precisa responder a uma pergunta como "o que combinamos com o fornecedor na semana passada?" e mostrar os quadros de onde tirou a resposta.

É isso que faz o Loom, sistema da Looki, fabricante chinesa da câmera vestível Looki L1. No teste da própria empresa, montado com gravações reais de usuários, feitas com o consentimento deles, a memória do Loom marcou 79 pontos. São 18 pontos a mais que o mem0 e 15 a mais que o A-Mem.

Os dois concorrentes são sistemas de memória populares para agentes de IA de texto, ou seja, para conversas e documentos, não para vídeo. Na prática, para quem desenvolve: se você está criando um assistente com câmera ou microfone, o esquema "eventos, resumos e quadros originais" parece uma alternativa viável à memória de texto plana, mas os números, por enquanto, vêm apenas da própria Looki.

Como o Loom é composto

O sistema reúne dois modelos e uma camada de memória.

O Sense responde à pergunta "o que está acontecendo agora". Ele recebe um trecho curto de vídeo e áudio, uma pergunta sobre o evento e algumas opções de resposta. O modelo não escreve uma descrição em texto: ele avalia cada opção. Para um dispositivo sempre ligado, isso faz sentido, porque escolher em uma lista é mais rápido e mais barato do que gerar texto. Segundo a Looki, em um conjunto interno com quase 20 tipos de evento, o Sense atinge F1 de 88,6 (medida geral de quão precisa e completa é a detecção dos eventos relevantes pelo modelo), com tempo médio de reconhecimento de 0,51 segundo.

O Moment trabalha com o material já gravado. Ele alinha imagem e som em uma mesma linha do tempo, encontra sozinho os limites dos eventos e os descreve. Cada evento tem hora de início e de fim, descrição e evidências. Ao lado de cada fato, há uma marcação indicando se aquilo foi visto, ouvido ou inferido do contexto. Esse tipo de marcação é importante para a confiança: o usuário distingue o que de fato apareceu no quadro do que foi palpite do modelo. Segundo a Looki, o Moment define os limites dos eventos com mais precisão que o Qwen Omni e o Gemini Flash. A fonte não traz números concretos.

Como funciona a memória

A camada Memory reúne os eventos em resumos diários, semanais e mensais, além de um retrato geral do usuário: hábitos, ambiente, atividades recorrentes.

Quando o usuário faz uma pergunta, o sistema percorre o caminho de cima para baixo. Primeiro consulta os resumos mensais, depois desce até os eventos específicos e, se necessário, até os quadros originais. É como buscar em um arquivo de papel: você abre a pasta certa, depois a folha certa e, por fim, confere o documento original. O modelo não precisa manter no contexto um mês inteiro de gravações, e a resposta pode ser verificada na fonte primária.

A diferença para o mem0 e o A-Mem parece previsível: os dois sistemas foram criados para texto, e vídeo e áudio de câmera são outro tipo de material.

O que fazer com isso e quais são as ressalvas

Para quem desenvolve dispositivos vestíveis, assistentes de voz e vídeo ou uma "segunda memória" para o usuário, o Loom oferece um esquema pronto:

  • um modelo rápido e separado para reconhecer eventos;
  • uma etapa separada que divide o fluxo em episódios, indicando a fonte de cada fato;
  • uma hierarquia de resumos, em que a busca vai do geral ao específico e termina em um link para o quadro original.

As ressalvas são importantes. Todos os números vêm de conjuntos de dados internos da própria Looki, e não há verificação independente. A comparação com o mem0 e o A-Mem foi feita em um benchmark montado pela própria empresa, então, fora dos dados dela, a diferença pode ser outra. Para o Moment, não há números, apenas a afirmação de que ele é "mais preciso". Por fim, a gravação contínua de pessoas ao redor levanta questões de privacidade. A fonte diz apenas que os dados do teste foram coletados com o consentimento dos usuários; como o sistema lida com vozes e rostos de terceiros, não é esclarecido.

O acesso ao Loom é limitado. Dá para testar na demo web e há uma API, mas a Looki não pretende abrir o sistema ao público. Para desenvolvedores externos, restam duas opções: usar a API ou replicar a arquitetura por conta própria.

A empresa descreve o próximo passo assim: reunir as três partes em um único modelo multimodal, que decidirá sozinho quando oferecer ajuda. Assim, o assistente deixaria de apenas responder a perguntas e passaria a intervir por iniciativa própria. É um desafio maior: é preciso entender não só o que está acontecendo, mas também se é adequado falar naquele momento. Por ora, o Loom mostra que a memória de uma câmera vestível deve ser projetada como uma camada separada, com links para os originais.

História

Perguntas frequentes sobre a notícia

Como o Loom é composto?

O sistema reúne dois modelos e uma camada de memória. O Sense responde à pergunta "o que está acontecendo agora". Ele recebe um trecho curto de vídeo e áudio, uma pergunta sobre o evento e algumas opções de resposta. O modelo não escreve uma descrição em texto: ele avalia cada opção. Para um dispositivo sempre ligado, isso faz sentido, porque escolher em uma lista é mais rápido e mais barato do que gerar texto.

Como funciona a memória?

A camada Memory reúne os eventos em resumos diários, semanais e mensais, além de um retrato geral do usuário: hábitos, ambiente, atividades recorrentes. Quando o usuário faz uma pergunta, o sistema percorre o caminho de cima para baixo. Primeiro consulta os resumos mensais, depois desce até os eventos específicos e, se necessário, até os quadros originais. É como buscar em um arquivo de papel: você abre a pasta certa, depois a folha certa e, por fim, confere o documento original.

O que fazer com isso e quais são as ressalvas?

Para quem desenvolve dispositivos vestíveis, assistentes de voz e vídeo ou uma "segunda memória" para o usuário, o Loom oferece um esquema pronto: um modelo rápido e separado para reconhecer eventos; uma etapa separada que divide o fluxo em episódios, indicando a fonte de cada fato; uma hierarquia de resumos, em que a busca vai do geral ao específico e termina em um link para o quadro original. As ressalvas são importantes.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…