論文の概要: SuperLocalMemory V3.3: The Living Brain -- Biologically-Inspired Forgetting, Cognitive Quantization, and Multi-Channel Retrieval for Zero-LLM Agent Memory Systems
- arxiv url: http://arxiv.org/abs/2604.04514v1
- Date: Mon, 06 Apr 2026 08:27:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.143253
- Title: SuperLocalMemory V3.3: The Living Brain -- Biologically-Inspired Forgetting, Cognitive Quantization, and Multi-Channel Retrieval for Zero-LLM Agent Memory Systems
- Title（参考訳）: SuperLocalMemory V3.3: The Living Brain -- The Living Brain -- Biologically Inspired Forgetting, Cognitive Quantization, and Multi-Channel Retrieval for Zero-LLM Agent Memory Systems
- Authors: Varun Pratap Bhardwaj,
- Abstract要約: ローカルファーストのエージェントメモリシステムであるSuperLocalMemory V3.3("The Living Brain")を提案する。
認知記憶の完全な分類と数学的ライフサイクルのダイナミクスを実装している。
Elastic License 2.0の下でオープンソースで、完全にCPUで動作し、毎月5000回以上ダウンロードされている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI coding agents operate in a paradox: they possess vast parametric knowledge yet cannot remember a conversation from an hour ago. Existing memory systems store text in vector databases with single-channel retrieval, require cloud LLMs for core operations, and implement none of the cognitive processes that make human memory effective. We present SuperLocalMemory V3.3 ("The Living Brain"), a local-first agent memory system implementing the full cognitive memory taxonomy with mathematical lifecycle dynamics. Building on the information-geometric foundations of V3.2 (arXiv:2603.14588), we introduce five contributions: (1) Fisher-Rao Quantization-Aware Distance (FRQAD) -- a new metric on the Gaussian statistical manifold achieving 100% precision at preferring high-fidelity embeddings over quantized ones (vs 85.6% for cosine), with zero prior art; (2) Ebbinghaus Adaptive Forgetting with lifecycle-aware quantization -- the first mathematical forgetting curve in local agent memory coupled to progressive embedding compression, achieving 6.7x discriminative power; (3) 7-channel cognitive retrieval spanning semantic, keyword, entity graph, temporal, spreading activation, consolidation, and Hopfield associative channels, achieving 70.4% on LoCoMo in zero-LLM Mode A; (4) memory parameterization implementing Long-Term Implicit memory via soft prompts; (5) zero-friction auto-cognitive pipeline automating the complete memory lifecycle. On LoCoMo, V3.3 achieves 70.4% in Mode A (zero-LLM), with +23.8pp on multi-hop and +12.7pp on adversarial. V3.2 achieved 74.8% Mode A and 87.7% Mode C; the 4.4pp gap reflects a deliberate architectural trade-off. SLM V3.3 is open source under the Elastic License 2.0, runs entirely on CPU, with over 5,000 monthly downloads.
- Abstract（参考訳）: AIコーディングエージェントはパラドックスで機能する。彼らは膨大なパラメトリック知識を持っているが、1時間前の会話を思い出せない。
既存のメモリシステムは、単一のチャネル検索を備えたベクトルデータベースにテキストを格納し、コア操作にクラウドLLMを必要とし、人間のメモリを効果的にするための認知プロセスを実装しない。
本稿では,局所第一エージェントメモリシステムであるSuperLocalMemory V3.3("The Living Brain")について述べる。
V3.2 (arXiv:2603.14588) の情報幾何学的基礎に基づいて、(1)フィッシャー・ラオの量子化・認識距離 (FRQAD) -- 量子化されたものよりも100%精度の高い高忠実な埋め込み (vs 85.6% for cosine) を優先するガウスの統計多様体上の新しい測定基準 (FRQAD) - ゼロ先行技術 (vs 85.6% for cosine) ; (2) Ebbinghaus Adaptive Forgetting with lifecycle-aware Quantization -- ローカルエージェントメモリにおける最初の数学的忘れ曲線は、プログレッシブな埋め込み圧縮に結びつき、6.7xの識別力を達成すること、(3) セマンティクス、キーワード、エンティティグラフ、テンポラルグラフ、アクティベーション、コンソレーション、ホップフィールド、コンソナライズド、コンソナライゼーション、コンソナライズド、70 LLM(英語版) - パーソナライズド・メモリをゼロ・メモリに実装すること。
LoCoMoでは、V3.3はモードA(ゼロLLM)で70.4%、マルチホップで+23.8pp、逆数で+12.7ppとなる。
V3.2は74.8%のモードAと87.7%のモードCを達成した。
SLM V3.3はElastic License 2.0の下でオープンソースとして公開されている。
関連論文リスト
- MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents [2.541923091180284]
大規模言語モデル(LLM)エージェントはパーソナライゼーション、事実連続性、長期的推論を維持するために永続記憶を必要とする。
本稿では,短期,長期,プロファイルメモリを統合したオープンソースのメモリシステムであるMemMachineを紹介する。
MemMachineは、コンテキスト化された検索を使用して、周囲のコンテキストにマッチする核を拡大し、関連するエビデンスが複数の対話にまたがる場合のリコールを改善する。
論文 参考訳（メタデータ） (2026-04-06T16:57:06Z) - Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。
システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。
本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
論文 参考訳（メタデータ） (2026-04-01T15:06:23Z) - SuperLocalMemory V3: Information-Geometric Foundations for Zero-LLM Enterprise Agent Memory [0.0]
永続メモリはAIエージェントの中心的な能力である。
現在のシステムでは、検索にはコサイン類似性、塩分分解にはコサイン類似性を使用し、公式な矛盾検出は行わない。
我々は3つのコントリビューションを通じて情報幾何学の基礎を確立する。
論文 参考訳（メタデータ） (2026-03-15T20:20:54Z) - 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) - From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。
MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。
実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
論文 参考訳（メタデータ） (2026-03-02T05:12:45Z) - SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning [0.0]
我々は、ASI06メモリ中毒を防御するマルチエージェントAIのためのローカルファーストメモリシステムであるSuperLocalMemoryを紹介する。
SuperLocalMemoryはオープンソース(MIT)で、Model Context Protocolを介して17以上の開発ツールと統合されている。
論文 参考訳（メタデータ） (2026-02-17T12:35:23Z) - Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects [11.300084544174894]
エージェントメモリを推論のための構造化第1級基板として扱うメモリアーキテクチャであるHindsightを提案する。
情報の追加、アクセス、更新の方法を管理する3つのコア操作 – 保持、リコール、リフレクション – をサポートしている。
オープンソースの20Bモデルは、全文ベースラインで全体の精度を39%から83.6%に引き上げる。
論文 参考訳（メタデータ） (2025-12-14T19:47:23Z) - MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。
本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。
本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
論文 参考訳（メタデータ） (2025-08-26T17:57:16Z) - HEMA : A Hippocampus-Inspired Extended Memory Architecture for Long-Context AI Conversations [0.0]
大規模言語モデル(LLM)は、数百回に及ぶ会話におけるコヒーレンスを維持するのに苦労する。
本稿では,人間の認知プロセスにインスパイアされたデュアルメモリシステムであるHEMAを紹介する。
10Kインデックスのチャンクでは、ベクトルメモリはP@5 >= 0.80 と R@50 >= 0.74 を達成し、精度-リコール曲線の下で領域を2倍にする。
論文 参考訳（メタデータ） (2025-04-23T14:27:12Z) - vTensor: Flexible Virtual Tensor Management for Efficient LLM Serving [53.972175896814505]
大規模言語モデル(LLM)は様々なドメインで広く使われ、数百万の日次要求を処理する。
大規模言語モデル(LLM)は様々なドメインで広く使われ、数百万の日次要求を処理する。
論文 参考訳（メタデータ） (2024-07-22T14:37:58Z)
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。