联汇科技推出全球首个万物具身智能体平台OmAgent，旨在将AI智能体从数字空间引入物理世界。该平台支持多模态感知，具备3D空间感知、时空记忆和智能决策能力，实现跨设备协同。用户可通过自然语言指令操作智能终端，提升人机协作效率，已在多个行业应用，推动智能化进程。

本文介绍了一种基于多模态代理和大型语言模型的视频理解系统，旨在解决长期时间关系问题。该系统在EgoSchema和NExT-QA测试中表现优异，显著提升了视频理解的准确性和效率。同时，研究提出了新的数据结构和方法，促进多模态数据的融合与处理，为视频内容分析和问答任务提供了新思路。