1.提出问题？
token 爆炸：2 小时 720P 视频按 1fps 采样，光视觉 token 就是 1.62M，超出现有上下文窗口。
注意力稀释：硬塞进去之后，关键画面被淹没在几十万冗余 token 里，"lost in the middle"，推理能力退化。
端到端模型的推理能力无法迁移：论文统计了 8 个模型在 AIME2025（数学推理）和 LVBench（长视频）上的分数，端到端直接看视频时相关性只有 R=0.70 且不显著 —— 模型越会做数学题，长视频得分并没有跟着涨，被视觉噪声挡住了。
2.解决问题？
核心范式：感知模型和推理模型分开。
阶段一：离线建图（感知模型做，纯文本输出）
流式自适应分段：边看边切，每段 3-8 分钟一个完整故事单元，不按固定窗口硬切。
向下抽子图：每个 Macro Event 展开成小图，节点是实体（人 / 物 / 地点）和微事件（具体动作），边有三种：空间属性（LOCATED_IN）、主谓（PERFORMS）、时序因果（CAUSES/BEFORE）。
向上聚合：三层结构 Video Root → Super Event → Macro Event，跨层用 SUBEVENT_OF 连，跨 Macro 用 LEADS_TO/RESOLVES/CONTRASTS_WITH 连。
存下来全是 JSON，没有一帧原始图。
阶段二：在线检索（推理模型做，ReAct 循环）
7 个工具分三类：
层级导航：GetSummary / GetSuperEvent / GetMacroEvent / GetSubgraph
精确搜索：SearchNodes（语义）/ SearchByTime（时间）
图遍历：GetRelationGraph（沿边多跳）
Observation-Reason-Action 循环，最多 12 轮，每轮只保留 useful_info 作为长期记忆。
3.成果
关键消融：
记忆结构：平铺分块 77.4 → 加图 84.8 → 加层级 86.3 → 层级 + 图 90.7（两者互补）
检索方式：朴素向量搜 70.5 → 全塞上下文 78.9 → 只给 Search 80.2 → 全工具 90.7
工具逐个加：图遍历贡献最大（+6.6），层级导航再 +3.9
感知模型换 Gemini-2.5 vs Gemini-3.1，最终只差 0.4-1.4 分 ——感知不用强，强的是推理
最有价值的发现（Table 5）：加了 MemDreamer 之后，AIME2025 推理分数和 LVBench 长视频分数的相关性从 R=0.70（不显著）跳到 R=0.90, p=0.003—— 意味着只要把感知和推理解耦，模型的逻辑推理能力可以直接 scale 到长视频上。
4.启发
"塞更多 token" 不是长视频的解。ReTaKe 那种压 KV Cache 还是在 "端到端硬扛" 的范式里修修补补；MemDreamer 直接换赛道 —— 感知和推理解耦后，长视频理解的瓶颈从 "上下文窗口" 变成了 "推理能力"，而推理能力是可以 scale 的。
图比平铺有用，因果边最值钱。消融里加图遍历那一步 +6.6 分是单跳最大涨幅，说明跨时间的因果推理（"为什么会这样"）是平铺摘要给不了的，必须靠边来多跳。
工具集要克制。7 个工具刚好覆盖 "层级下钻 / 语义搜 / 时间搜 / 图遍历" 四类需求，多了反而让模型绕圈子（Tmax=15 反而掉分）。
对你复现的直接参考：附录给了四个完整 prompt（分段 / 子图 / 聚合 / 检索），可以直接抄；感知模型选便宜的就行（论文证明换感知模型只差 1 分），钱要花在推理模型上。
和 HAVEN 对比着看：HAVEN 是 "层级目录 + 文本片段"，MemDreamer 是 "层级目录 + 图 + 因果边"，多跳推理能力更强；但 MemDreamer 离线建图成本更高，要跑 LLM 把每个 Macro 拆成实体和事件，这是它比 HAVEN 重的地方。