論文の概要: MemFactory: Unified Inference & Training Framework for Agent Memory

• arxiv url: http://arxiv.org/abs/2603.29493v3
• Date: Thu, 02 Apr 2026 12:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.266928
• Title: MemFactory: Unified Inference & Training Framework for Agent Memory
• Title（参考訳）: MemFactory:エージェントメモリのための統一推論とトレーニングフレームワーク
• Authors: Ziliang Guo, Ziheng Li, Bo Tang, Feiyu Xiong, Zhiyu Li,
• Abstract要約: MemFactoryは、メモリ拡張エージェント用に特別に設計された、最初の統合された、高度にモジュール化されたトレーニングおよび推論フレームワークである。 LLaMA-Factoryのような統合された微調整フレームワークの成功に触発されたMemFactoryは、メモリライフサイクルをアトミックなプラグアンドプレイコンポーネントに抽象化する。 我々はMemFactoryをオープンソースMemAgentアーキテクチャ上で公開トレーニングと評価データを用いて実証的に検証する。
• 参考スコア（独自算出の注目度）: 30.793092194488263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory-augmented Large Language Models (LLMs) are essential for developing capable, long-term AI agents. Recently, applying Reinforcement Learning (RL) to optimize memory operations, such as extraction, updating, and retrieval, has emerged as a highly promising research direction. However, existing implementations remain highly fragmented and task-specific, lacking a unified infrastructure to streamline the integration, training, and evaluation of these complex pipelines. To address this gap, we present MemFactory, the first unified, highly modular training and inference framework specifically designed for memory-augmented agents. Inspired by the success of unified fine-tuning frameworks like LLaMA-Factory, MemFactory abstracts the memory lifecycle into atomic, plug-and-play components, enabling researchers to seamlessly construct custom memory agents via a "Lego-like" architecture. Furthermore, the framework natively integrates Group Relative Policy Optimization (GRPO) to fine-tune internal memory management policies driven by multi-dimensional environmental rewards. MemFactory provides out-of-the-box support for recent cutting-edge paradigms, including Memory-R1, RMM, and MemAgent. We empirically validate MemFactory on the open-source MemAgent architecture using its publicly available training and evaluation data. Across the evaluation sets, MemFactory improves performance over the corresponding base models on average, with relative gains of up to 14.8%. By providing a standardized, extensible, and easy-to-use infrastructure, MemFactory significantly lowers the barrier to entry, paving the way for future innovations in memory-driven AI agents.
• Abstract（参考訳）: メモリ拡張大型言語モデル(LLM)は、有能な長期AIエージェントの開発に不可欠である。 近年, 抽出, 更新, 検索などのメモリ操作を最適化するために強化学習(RL)を適用した研究の方向性が注目されている。 しかし、既存の実装は非常に断片的でタスク固有のものであり、これらの複雑なパイプラインの統合、トレーニング、評価を合理化するための統一されたインフラが欠如している。 このギャップに対処するため、メモリ拡張エージェント用に特別に設計された最初の統一的で高度にモジュール化されたトレーニングおよび推論フレームワークであるMemFactoryを提示する。 LLaMA-Factoryのような統合された微調整フレームワークの成功にインスパイアされたMemFactoryは、メモリライフサイクルをアトミックなプラグアンドプレイコンポーネントに抽象化し、研究者が"Lego-like"アーキテクチャでカスタムメモリエージェントをシームレスに構築できるようにする。 さらに、このフレームワークはグループ相対ポリシー最適化(GRPO)をネイティブに統合し、多次元環境報酬によって駆動される内部メモリ管理ポリシーを微調整する。 MemFactoryは、Memory-R1、RMM、MemAgentなど、最近の最先端パラダイムを最初からサポートしている。 我々はMemFactoryをオープンソースMemAgentアーキテクチャ上で公開トレーニングと評価データを用いて実証的に検証する。 評価セット全体では、MemFactoryは対応するベースモデルよりも平均して14.8%の性能向上を実現している。 標準化された拡張可能で使いやすいインフラストラクチャを提供することで、MemFactoryは参入障壁を大幅に減らし、メモリ駆動型AIエージェントにおける将来のイノベーションへの道を開く。

関連論文リスト

• VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
  高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。 当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。 モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
  論文  参考訳（メタデータ） (2026-03-18T11:25:40Z)
• Choosing How to Remember: Adaptive Memory Structures for LLM Agents [43.27579458682491]
  メモリは、大きな言語モデル(LLM)ベースのエージェントが長い水平相互作用に対するコヒーレントな振舞いを維持するために重要である。 LLMエージェントに適応的なメモリ構成を可能にする統合フレームワークFluxMemを提案する。 PERSONAMEMとLoCoMoの2つのロングホライゾンベンチマーク実験により,本手法が平均改善率9.18%と6.14%を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-15T07:56:24Z)
• UMEM: Unified Memory Extraction and Management Framework for Generalizable Memory [46.87954895079213]
  自己進化型メモリは、大規模言語モデル(LLM)のトレーニング可能なパラメータとして機能する 既存の方法は、メモリ抽出を静的プロセスとして扱いながら、メモリ管理を優先的に最適化する。 本稿では,大言語モデルを協調的に最適化し,メモリの抽出と管理を同時に行うための統一メモリ抽出管理(UMEM)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T08:58:41Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)
• MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models [31.944531660401722]
  我々は,大規模言語モデル(LLM)用に設計されたメモリオペレーティングシステムであるMemOSを紹介する。 コアとなるMemCubeは、異種メモリの追跡、融合、マイグレーションを可能にする標準化されたメモリ抽象化である。 MemOSは、強力な制御性、適応性、進化性を備えたメモリ中心の実行フレームワークを確立する。
  論文  参考訳（メタデータ） (2025-05-28T08:27:12Z)

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。