Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)

Loom от Looki: память носимой камеры набрала 79 баллов, на 18 выше mem0

Носимая камера за день пишет часы видео и звука, и пересматривать их никто не станет. Looki, производитель камеры L1, сделала Loom: система сама режет запись на события и отвечает на вопрос вроде «о чём договорились с поставщиком?», показывая исходные кадры. На собственном тесте Loom набрал 79 баллов — на 18 больше, чем mem0, и на 15 больше, чем A-Mem. Проверки независимыми лабораториями пока нет.

AI-обработка оригинала TG: @ai_machinelearning_big_data (Machinelearning); редакция Hamidun News
Loom от Looki: память носимой камеры набрала 79 баллов, на 18 выше mem0
Источник: TG: @ai_machinelearning_big_data (Machinelearning). Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникTG: @ai_machinelearning_big_data (Machinelearning) ↗
Главный редактор
Ключевой факт #1Sense узнаёт событие за 0,51 с, F1 88,6 на почти 20 типах событий
Ключевой факт #2Moment точнее Qwen Omni и Gemini Flash находит границы событий
Открытого кода нетдоступны только веб-демо и API

Носимая камера за день записывает часы видео и звука, и пересматривать их никто не будет. Чтобы запись стала полезной, ассистент должен ответить на вопрос вроде «о чём мы договорились с поставщиком на прошлой неделе?» и показать кадры, из которых взят ответ.

Именно это делает Loom — система от Looki, китайского производителя носимой камеры Looki L1. На собственном тесте компании, собранном из реальных записей пользователей с их согласия, память Loom набрала 79 баллов. Это на 18 баллов больше, чем у mem0, и на 15 больше, чем у A-Mem.

Оба конкурента — популярные системы памяти для текстовых ИИ-агентов, то есть для переписки и документов, а не для видео. Практический смысл для разработчика: если вы делаете ассистента с камерой или микрофоном, схема «события — сводки — исходные кадры» выглядит рабочей альтернативой плоской текстовой памяти, но цифры пока получены только самой Looki.

Из чего состоит Loom

Система собрана из двух моделей и слоя памяти.

Sense отвечает на вопрос «что происходит прямо сейчас». Ему дают короткий фрагмент видео и звука, вопрос о событии и несколько вариантов ответа. Модель не пишет текстовое описание, а оценивает каждый вариант. Для постоянно включённого устройства это разумно: выбрать из списка быстрее и дешевле, чем генерировать текст. По данным Looki, на внутреннем наборе почти из 20 типов событий Sense показывает F1 88,6 (это общая мера того, насколько точно и полно модель находит нужные события) при среднем времени распознавания 0,51 секунды.

Moment работает с уже записанным материалом. Он совмещает картинку и звук на одной шкале времени, сам находит границы событий и описывает их. У каждого события есть время начала и конца, описание и подтверждения. Рядом с каждым фактом стоит пометка: это было увидено, услышано или выведено из контекста. Такая разметка важна для доверия: пользователь отличает то, что реально попало в кадр, от догадки модели. По заявлению Looki, Moment определяет границы событий точнее, чем Qwen Omni и Gemini Flash. Конкретных цифр в источнике нет.

Как устроена память

Слой Memory собирает события в сводки за день, неделю и месяц, а ещё в общий снимок представлений о пользователе: его привычки, окружение, повторяющиеся дела.

Когда пользователь задаёт вопрос, система идёт сверху вниз. Сначала смотрит месячные сводки, потом спускается к конкретным событиям и, если нужно, к исходным кадрам. Это похоже на поиск по бумажному архиву: сначала открываешь нужную папку, потом нужный лист, а затем проверяешь оригинал документа. Модели не приходится держать в контексте весь месяц записей, а ответ можно проверить по первоисточнику.

Разрыв с mem0 и A-Mem выглядит предсказуемым: обе системы создавались для текста, а видео и звук с камеры — другой материал.

Что с этим делать и где оговорки

Для тех, кто делает носимые устройства, голосовых и видеоассистентов или «вторую память» для пользователя, Loom даёт готовую схему:

  • отдельная быстрая модель для распознавания событий;
  • отдельный шаг, который режет поток на эпизоды с указанием источника каждого факта;
  • иерархия сводок, по которой поиск идёт от общего к частному и заканчивается ссылкой на оригинальный кадр.

Оговорки существенные. Все цифры получены на внутренних наборах данных самой Looki, независимой проверки нет. Сравнение с mem0 и A-Mem проведено на бенчмарке, который компания собрала сама, так что за пределами её данных разрыв может оказаться другим. Для Moment отсутствуют числа, есть только слова «точнее». Наконец, постоянная запись окружающих людей поднимает вопросы приватности. В источнике сказано лишь, что данные для теста собирались с согласия пользователей, а как система обращается с чужими голосами и лицами, не уточняется.

Доступ к Loom ограничен. Попробовать можно в веб-демо, есть API, но публиковать систему в открытом доступе Looki не планирует. Сторонним разработчикам остаётся либо брать API, либо повторять архитектуру самостоятельно.

Следующий шаг компания описывает так: свести все три части в одну мультимодальную модель, которая сама решит, когда предложить помощь. Тогда ассистент перестанет только отвечать на вопросы и начнёт вмешиваться по собственной инициативе. Это сложнее: нужно понимать не только что происходит, но и уместно ли сейчас говорить. Пока же Loom показывает, что память для носимой камеры стоит проектировать как отдельный слой со ссылками на оригиналы.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: из чего состоит Loom?

Система собрана из двух моделей и слоя памяти. Sense отвечает на вопрос «что происходит прямо сейчас». Ему дают короткий фрагмент видео и звука, вопрос о событии и несколько вариантов ответа. Модель не пишет текстовое описание, а оценивает каждый вариант. Для постоянно включённого устройства это разумно: выбрать из списка быстрее и дешевле, чем генерировать текст.

Что известно по теме: как устроена память?

Слой Memory собирает события в сводки за день, неделю и месяц, а ещё в общий снимок представлений о пользователе: его привычки, окружение, повторяющиеся дела. Когда пользователь задаёт вопрос, система идёт сверху вниз. Сначала смотрит месячные сводки, потом спускается к конкретным событиям и, если нужно, к исходным кадрам. Это похоже на поиск по бумажному архиву: сначала открываешь нужную папку, потом нужный лист, а затем проверяешь оригинал документа.

Что известно по теме: что с этим делать и где оговорки?

Для тех, кто делает носимые устройства, голосовых и видеоассистентов или «вторую память» для пользователя, Loom даёт готовую схему: отдельная быстрая модель для распознавания событий; отдельный шаг, который режет поток на эпизоды с указанием источника каждого факта; иерархия сводок, по которой поиск идёт от общего к частному и заканчивается ссылкой на оригинальный кадр. Оговорки существенные. Все цифры получены на внутренних наборах данных самой Looki, независимой проверки нет.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…