論文の概要: Facts as First Class Objects: Knowledge Objects for Persistent LLM Memory

• arxiv url: http://arxiv.org/abs/2603.17781v1
• Date: Wed, 18 Mar 2026 14:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.758334
• Title: Facts as First Class Objects: Knowledge Objects for Persistent LLM Memory
• Title（参考訳）: 第一級オブジェクトとしてのFacts:永続LLMメモリのための知識オブジェクト
• Abstract要約: 我々は、知識オブジェクト(KO)に対してコンテキスト内メモリをベンチマークする。 コンテキストウィンドウ内では、Claude Sonnet 4.5 は 10 から 7,000 の事実(200K ウィンドウの97.5%)から100%正確なマッチング精度を達成する。 スイッチング機構として密度適応検索を導入し,ベンチマークスイートをリリースする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models increasingly serve as persistent knowledge workers, with in-context memory - facts stored in the prompt - as the default strategy. We benchmark in-context memory against Knowledge Objects (KOs), discrete hash-addressed tuples with O(1) retrieval. Within the context window, Claude Sonnet 4.5 achieves 100% exact-match accuracy from 10 to 7,000 facts (97.5% of its 200K window). However, production deployment reveals three failure modes: capacity limits (prompts overflow at 8,000 facts), compaction loss (summarization destroys 60% of facts), and goal drift (cascading compaction erodes 54% of project constraints while the model continues with full confidence). KOs achieve 100% accuracy across all conditions at 252x lower cost. On multi-hop reasoning, KOs reach 78.9% versus 31.6% for in-context. Cross-model replication across four frontier models confirms compaction loss is architectural, not model-specific. We additionally show that embedding retrieval fails on adversarial facts (20% precision at 1) and that neural memory (Titans) stores facts but fails to retrieve them on demand. We introduce density-adaptive retrieval as a switching mechanism and release the benchmark suite.
• Abstract（参考訳）: 大規模言語モデルは、インコンテキストメモリ(インプロンプトに格納された事実)をデフォルト戦略として、永続的なナレッジワーカーとして機能するようになっている。 我々は、知識オブジェクト(KOs)に対するコンテキスト内メモリのベンチマークを行い、O(1)検索による個別のハッシュアドレスタプルについて検討した。 コンテキストウィンドウ内では、Claude Sonnet 4.5 は 10 から 7,000 の事実(200K ウィンドウの97.5%)から100%正確なマッチング精度を達成している。 しかし、プロダクションデプロイメントでは、3つの障害モードが明らかにされている。キャパシティ制限(8000のファクトでオーバーフローの確率)、コンパクト化損失(サマライゼーションは事実の60%を破壊します)、ゴールドリフト(コンパクト化はプロジェクトの制約の54%を侵食し、モデルは完全に信頼を保ちます)。 KOは、全条件にわたって252倍の低コストで100%の精度を達成する。 マルチホップ推論では、KOは78.9%、インコンテキストでは31.6%に達する。 4つのフロンティアモデルにまたがるクロスモデルレプリケーションは、圧縮損失がアーキテクチャであり、モデル固有のものではないことを確認した。 さらに, 組込み検索は敵の事実(精度20%)で失敗し, ニューラルメモリ(タイタン)は事実を記憶するが, 要求に応じてそれらを回収することができないことを示す。 スイッチング機構として密度適応検索を導入し,ベンチマークスイートをリリースする。

関連論文リスト

• IdeaAMBIG: Benchmarking Implementation-Critical Gaps in Research-Idea Specifications [52.570108663867046]
  研究のアイデアは、新しく、一貫性があり、科学的に妥当であるが、その提案された手法は、忠実な実装のために不十分に指定されている。 提案手法は,実装を対象とする研究手法仕様の体系化の可否を,有能な実装者やコーディングエージェントに十分な方法論的情報を提供して,前提条件を満たさずに目的とする手法を構築することができるかを検討する。 IdeaAMBIGは660のエビデンス基底インスタンスのベンチマークで、レポートとGitHubの問題から163の現実世界のギャップと、コーディフィケーション対応のリファレンスに注入される合成ギャップを497のコントロールで管理する。
  論文  参考訳（メタデータ） (2026-09-09T17:59:04Z)
• ConvMemory v3: A Validity Context Layer for Conversational Memory via Target-Conditioned Relation Verification [0.0]
  ConvMemory v3では、この更新エビデンスを検出し、サーフェスする妥当性コンテキスト層が追加されている。 コアメカニズムは、特定のターゲット命題に関する関係判断を条件とする二重証拠ゲートである。 合成マルチホップ検証ベンチマークでは、ゲートの精度は90.12% +/- 1.73である。
  論文  参考訳（メタデータ） (2026-06-25T08:36:43Z)
• Episodic-Semantic Memory Architecture for Long-Horizon Scientific Agents [0.0]
  長期統合知識(約3トークン/メッセージ)から即時エピソードニーズ(インスタント10メッセージウィンドウ)を分離するデュアルプロセス記憶アーキテクチャを評価する。 より少ないトークン(45,434対12000以上の制限)で1-2秒のレイテンシで70～85%の精度を維持している。 連続記憶を保ちながら現実的な線形成長(約3トークン/メッセージ)を示す「最小から最小の」ギャップを同定する。
  論文  参考訳（メタデータ） (2026-05-17T19:44:24Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• WiCER: Wiki-memory Compile, Evaluate, Refine Iterative Knowledge Compilation for LLM Wiki Systems [0.0]
  我々は17のRepLiQAドメイン間のコンパイルギャップを特徴付ける(6,800の質問)。 本稿では,このギャップを埋める反例誘導抽象化改良(CEGAR)にインスパイアされた反復アルゴリズムであるWiCERを提案する。 全17項目のアブレーションにより、汎用ピンニング(+0.16)ではなく、ターゲット診断(+0.95)がゲインを駆動していることが確認された。
  論文  参考訳（メタデータ） (2026-05-08T00:25:16Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• How Much Do LLMs Hallucinate in Document Q&A Scenarios? A 172-Billion-Token Study Across Temperatures, Context Lengths, and Hardware Platforms [0.0]
  RIKERは、人間のアノテーションを使わずに決定論的スコアリングを可能にする基礎的第一評価手法である。 その結果,最も優れたモデルでさえ,非自明な速度で回答を作成できることがわかった。 結果はハードウェアプラットフォーム間で一貫性があり、デプロイメントの決定がハードウェアに依存していないことを確認する。
  論文  参考訳（メタデータ） (2026-03-09T11:44:06Z)
• Did You Forget What I Asked? Prospective Memory Failures in Large Language Models [0.0]
  大規模な言語モデルは、必要なタスクを同時に実行する必要があるときに、フォーマット命令を満たさないことが多い。 制御パラダイムを用いて、認知心理学から先進記憶にインスパイアされたレンズを通して、この行動を研究する。 脆弱性は型に依存しやすく、50%まで低下する一方、回避制約は比較的堅牢である。 サリエンス強化フォーマット(明示的な命令フレーミングと後続のリマインダー)は、多くの設定で性能を90-100%に回復する。
  論文  参考訳（メタデータ） (2026-03-07T05:58:19Z)
• Why Agent Caching Fails and How to Fix It: Structured Intent Canonicalization with Few-Shot Learning [0.0]
  キャッシュの有効性は、分類精度ではなく、キーの一貫性と精度を必要とする。 構造化意図分解フレームワークであるW5H2を紹介する。 NyayaBench v2 (20クラス)では、SetFitは55.3%を達成し、30言語にまたがる言語間転送を実現している。
  論文  参考訳（メタデータ） (2026-02-21T18:25:18Z)
• Mind the Gap: Why Neural Memory Fails Under Semantic Density [0.0]
  現在のAIシステムは、この分離を欠き、ニューラルウェイトだけで両方の機能を試みている。 オンラインニューラルメモリの'安定性ギャップ'を識別する。 崩壊はN=5の事実を高密度で示している。 また、本運用システムでは、スキーマドリフトとバージョンあいまいさを主要な障害モードとみなしています。
  論文  参考訳（メタデータ） (2026-01-14T18:55:23Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
  パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。 PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。 我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-07T06:48:23Z)
• CIMemories: A Compositional Benchmark for Contextual Integrity of Persistent Memory in LLMs [62.116710797795314]
  大規模言語モデル(LLM)は、パーソナライゼーションとタスクパフォーマンスを向上させるために、過去のインタラクションから永続的なメモリを使用することが多い。 タスクコンテキストに基づいて,LLMがメモリからの情報フローを適切に制御するかどうかを評価するベンチマークであるCIMemoriesを提案する。
  論文  参考訳（メタデータ） (2025-11-18T21:51:23Z)
• Enhancing repository-level software repair via repository-aware knowledge graphs [13.747293341707563]
  リポジトリレベルのソフトウェア修復は、問題記述とコードパッチの間のセマンティックギャップを埋める際の課題に直面します。 既存のアプローチは、大きな言語モデル(LLM)に依存しており、意味的曖昧さ、構造的文脈の限られた理解、推論能力の不足によって妨げられている。 本稿では,リポジトリアーティファクト(課題とプル要求)とエンティティ(ファイル,クラス,関数)を正確にリンクする新しいリポジトリ対応知識グラフ(KG)を提案する。 KGをマイニングした経路を利用する経路誘導補修機構により,説明とともに文脈情報を拡張することができる。
  論文  参考訳（メタデータ） (2025-03-27T17:21:47Z)
• Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
  新規データや不完全データでは,性能が著しく低下することがわかった。 これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。 本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:36:06Z)
• Erasing Without Remembering: Implicit Knowledge Forgetting in Large Language Models [81.62767292169225]
  我々は,その一般化に着目して,大規模言語モデルにおける知識の忘れについて検討する。 確率摂動に基づく新しいアンラーニングパラダイムであるPerMUを提案する。 TOFU、Harry Potter、ZsRE、WMDP、MUSEなど、さまざまなデータセットで実験が行われている。
  論文  参考訳（メタデータ） (2025-02-27T11:03:33Z)

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。