本研究构建了多模态基础模型以理解自我中心视频，自动生成了700万高质量问答样本，并建立了629个视频和7026个问题的基准，以评估模型识别视觉细节的能力。提出了一种新颖的“记忆指针提示”机制，以提高模型对视频内容的理解效率。