論文の概要: Embedded AI Companion System on Edge Devices

• arxiv url: http://arxiv.org/abs/2601.08128v1
• Date: Tue, 13 Jan 2026 01:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.007858
• Title: Embedded AI Companion System on Edge Devices
• Title（参考訳）: エッジデバイス上の組み込みAIコンパニオンシステム
• Authors: Rahul Gupta, Stephen D. H. Hsu,
• Abstract要約: 本稿では,アクティブ位相と非アクティブ位相を交互に行うメモリパラダイムを提案する。 ユーザアクティビティのフェーズでは,既存の記憶やコンテキストに対する軽量な検索を用いて,低レイテンシでリアルタイムな対話を行う。 この設計は、組み込みハードウェアの厳密な制約の下で長期のパーソナライズを維持しながら、レイテンシを最小限にする。
• 参考スコア（独自算出の注目度）: 8.307883066152916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational resource constraints on edge devices make it difficult to develop a fully embedded AI companion system with a satisfactory user experience. AI companion and memory systems detailed in existing literature cannot be directly used in such an environment due to lack of compute resources and latency concerns. In this paper, we propose a memory paradigm that alternates between active and inactive phases: during phases of user activity, the system performs low-latency, real-time dialog using lightweight retrieval over existing memories and context; whereas during phases of user inactivity, it conducts more computationally intensive extraction, consolidation, and maintenance of memories across full conversation sessions. This design minimizes latency while maintaining long-term personalization under the tight constraints of embedded hardware. We also introduce an AI Companion benchmark designed to holistically evaluate the AI Companion across both its conversational quality and memory capabilities. In our experiments, we found that our system (using a very weak model: Qwen2.5-7B-Instruct quantized int4) outperforms the equivalent raw LLM without memory across most metrics, and performs comparably to GPT-3.5 with 16k context window.
• Abstract（参考訳）: エッジデバイス上での計算リソースの制約により、十分なユーザエクスペリエンスを備えた完全な組み込みAIコンパニオンシステムの開発が困難になる。 既存の文献に詳述されたAIコンパニオンとメモリシステムは、計算リソースの不足やレイテンシの懸念のため、そのような環境で直接使用することはできない。 本稿では,ユーザ活動の段階において,既存の記憶とコンテキストを軽快に検索し,低レイテンシでリアルタイムな対話を行うとともに,ユーザ活動の段階において,より計算集約的な抽出,統合,全会話セッション間の記憶の維持を行う,という,アクティブな段階と非アクティブな段階を交互に行うメモリパラダイムを提案する。 この設計は、組み込みハードウェアの厳密な制約の下で長期のパーソナライズを維持しながら、レイテンシを最小限にする。 また、会話の質と記憶能力の両方にわたってAIコンパニオンを評価するために設計されたAIコンパニオンベンチマークも導入した。 実験の結果、我々のシステム(Qwen2.5-7B-Instruct Quantized int4)は、ほとんどのメトリクスでメモリを使わずに同等の生のLLMより優れており、16kコンテキストウィンドウのGPT-3.5と互換性があることがわかった。

関連論文リスト

• EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
  EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。 このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。 広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
  論文  参考訳（メタデータ） (2026-01-07T03:14:42Z)
• HiMeS: Hippocampus-inspired Memory System for Personalized AI Assistants [7.477189210398971]
  短期記憶と長期記憶を融合したAI補助アーキテクチャであるHiMeSを提案する。 短期記憶と長期記憶を融合したAI補助アーキテクチャであるHiMeSを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:05:50Z)
• Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI [0.6840655769002751]
  エージェントメモリは大規模言語モデル(LLM)のキーイネーブラーとして登場しつつある 我々は,LLMベースの会話システムを永続的,解釈可能,コンテキストに富んだメモリで拡張するモジュール型メモリフレームワークであるMemoriaを紹介する。 我々は、ステートレスLLMインタフェースとエージェントメモリシステムとのギャップを埋めることで、Memoriaがスケーラブルでパーソナライズされた対話型人工知能(AI)を実現する方法を実証する。
  論文  参考訳（メタデータ） (2025-12-14T13:38:06Z)
• MEMTRACK: Evaluating Long-Term Memory and State Tracking in Multi-Platform Dynamic Agent Environments [6.12783571098263]
  MEMTRACKは、マルチプラットフォームエージェント環境における長期記憶と状態追跡を評価するために設計されたベンチマークである。 それぞれのベンチマークインスタンスは、ノイズ、競合、相互参照情報を備えた、時系列的にプラットフォームインターリーブされたタイムラインを提供する。 ベンチマークでは、取得、選択、競合解決などのメモリ機能をテストしています。
  論文  参考訳（メタデータ） (2025-10-01T18:34:03Z)
• Memory Management and Contextual Consistency for Long-Running Low-Code Agents [0.0]
  本稿ではLCNCエージェントに特化して設計された新しいハイブリッドメモリシステムを提案する。 認知科学にインスパイアされた私たちのアーキテクチャは、エピソードとセマンティックメモリコンポーネントと、積極的な「インテリジェント・デカイ」メカニズムを組み合わせています。 鍵となるイノベーションは、LCNCパラダイムに沿ったユーザ中心の可視化インターフェースであり、非技術者のユーザがエージェントのメモリを直接管理できるようにする。
  論文  参考訳（メタデータ） (2025-09-27T08:01:26Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)
• An Efficient and Streaming Audio Visual Active Speaker Detection System [2.4515389321702132]
  リアルタイム制約によって引き起こされる重要な課題に対処するシナリオを2つ提示する。 まず,ASDモデルを用いた将来のコンテキストフレーム数を制限する手法を提案する。 第二に、モデルが推論時にアクセス可能な過去のフレームの総数を制限する、より厳密な制約を提案する。
  論文  参考訳（メタデータ） (2024-09-13T17:45:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。