可穿戴助手需要在自我视角视频上具备情景记忆能力，但现有视觉语言模型受限于帧数预算、视觉令牌成本上升以及长上下文检索失败等实际约束。我们探讨文本字幕能否作为可复用的情景记忆。为此我们定义了 Episodic Memory Video Caption QA 任务，并推出了 CapMem 基准——该基准包含 75 段视频，总时长 33.7 小时，配备 1,000 道多项选择题，覆盖 16 种日常场景。实验在时长约 20 分钟的长视频上进行，使用 30 秒和 60 秒的字幕窗口进行全覆盖 CaptionQA，分别在 12 种模型中有 10 种和 8 种模型的准确率超过直接 VideoQA。对比同帧控制实验，在六个 Qwen 系列模型上平均提升 3.22 分和 2.55 分。进一步引入基于字幕的检索‑验证流程，可额外提升最高 5.3 分。结果表明，字幕记忆在长时自我视角视频的情景推理中具备显著效用。
点评：CapMem 通过大规模人工标注展示了字幕作为轻量记忆介质的可行性，为未来在资源受限环境下的长视频理解提供了新的思路。