在一次全模态全双工会话中，可以通过对话： 1. 记住我旁边的这个人，他叫张三； 2. 记住我说话的声音，我叫李四； 让模型记住“人物视觉特征与对应人的名字”、“人物音频特征对应人的名字”。但是本次会话结束，kvcache就清空了，记忆也就没了。 **问题：** 业内是如何实现这种多模态的长期记忆能力的呢？ 通过暴力保存会话的 kvcache 吗？
在一次全模态全双工会话中，可以通过对话：
让模型记住“人物视觉特征与对应人的名字”、“人物音频特征对应人的名字”。但是本次会话结束，kvcache就清空了，记忆也就没了。
问题：
业内是如何实现这种多模态的长期记忆能力的呢？
通过暴力保存会话的 kvcache 吗？