CineMem：面向多镜头长视频生成的注意力对齐细粒度记忆检索框架

CineMem 是一个面向自回归多镜头视频生成的注意力对齐细粒度记忆检索框架，通过在线聚类的 KV cache 组织历史 token，并引入查询级检索机制，在固定检索预算下扩大历史信息访问范围。该设计让生成器在镜头切换尤其是回访场景中保持长程一致性，并在受限内存预算下逼近全量记忆访问。作者同时提出一套 VLM 辅助的镜头间一致性评估指标。