論文の概要: M$^\star$: Every Task Deserves Its Own Memory Harness

• arxiv url: http://arxiv.org/abs/2604.11811v1
• Date: Fri, 10 Apr 2026 03:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:31.997321
• Title: M$^\star$: Every Task Deserves Its Own Memory Harness
• Title（参考訳）: M$^\star$: すべてのタスクが自身のメモリハーネスを保存する
• Authors: Wenbo Pan, Shujie Liu, Xiangyang Zhou, Shiwei Zhang, Wanlu Shi, Mirror Xu, Xiaohua Jia,
• Abstract要約: 大規模言語モデルエージェントは、拡張された相互作用の間、知識を蓄積し再利用するために、特別なメモリシステムに依存している。 最近のアーキテクチャでは、会話のセマンティック検索やコーディングに再利用されたスキルなど、特定のドメインに適した固定メモリ設計を採用するのが一般的である。 プログラムの進化を通じてタスク最適化メモリハーネスを自動的に検出する手法であるM$star$を紹介する。
• 参考スコア（独自算出の注目度）: 28.900347612231513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model agents rely on specialized memory systems to accumulate and reuse knowledge during extended interactions. Recent architectures typically adopt a fixed memory design tailored to specific domains, such as semantic retrieval for conversations or skills reused for coding. However, a memory system optimized for one purpose frequently fails to transfer to others. To address this limitation, we introduce M$^\star$, a method that automatically discovers task-optimized memory harnesses through executable program evolution. Specifically, M$^\star$ models an agent memory system as a memory program written in Python. This program encapsulates the data Schema, the storage Logic, and the agent workflow Instructions. We optimize these components jointly using a reflective code evolution method; this approach employs a population-based search strategy and analyzes evaluation failures to iteratively refine the candidate programs. We evaluate M$^\star$ on four distinct benchmarks spanning conversation, embodied planning, and expert reasoning. Our results demonstrate that M$^\star$ improves performance over existing fixed-memory baselines robustly across all evaluated tasks. Furthermore, the evolved memory programs exhibit structurally distinct processing mechanisms for each domain. This finding indicates that specializing the memory mechanism for a given task explores a broad design space and provides a superior solution compared to general-purpose memory paradigms.
• Abstract（参考訳）: 大規模言語モデルエージェントは、拡張された相互作用の間、知識を蓄積し再利用するために、特別なメモリシステムに依存している。 最近のアーキテクチャでは、会話のセマンティック検索やコーディングに再利用されたスキルなど、特定のドメインに適した固定メモリ設計を採用するのが一般的である。 しかし、ある目的のために最適化されたメモリシステムは、しばしば他への転送に失敗する。 この制限に対処するために,実行可能プログラムの進化を通じてタスク最適化メモリハーネスを自動的に検出するM$^\star$を導入する。 具体的には、M$^\star$はPythonで書かれたメモリプログラムとしてエージェントメモリシステムをモデル化する。 このプログラムは、データスキーマ、ストレージロジック、エージェントワークフローのインストラクションをカプセル化する。 提案手法では, 提案手法は, 個体群に基づく探索手法を採用し, 評価失敗を分析し, プログラムを反復的に洗練する手法である。 M$^\star$は、会話、具体的計画、専門家による推論にまたがる4つの異なるベンチマークで評価する。 以上の結果から,M$^\star$は,既存のメモリベースラインに対して,すべての評価タスクに対して堅牢に性能を向上することを示す。 さらに、進化したメモリプログラムは、各ドメインに対して構造的に異なる処理機構を示す。 この結果は、与えられたタスクのメモリ機構を専門化することで、幅広い設計空間を探索し、汎用メモリパラダイムよりも優れたソリューションを提供することを示している。

関連論文リスト

• RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design [77.30163153176954]
  RMBenchは、メモリの複雑さの複数のレベルにまたがる9つの操作タスクからなるシミュレーションベンチマークである。 Mem-0は、制御アブレーション研究をサポートするために設計された明示的なメモリコンポーネントを備えたモジュラー操作ポリシーである。 既存のポリシにおけるメモリ関連の制限を特定し、アーキテクチャ設計の選択がメモリパフォーマンスに与える影響に関する実証的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-03-01T18:59:59Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)
• AtomMem : Learnable Dynamic Agentic Memory with Atomic Memory Operation [40.1709026042412]
  本稿では,メモリ管理を動的意思決定問題として再設計するAtomMemを提案する。 教師付き微調整と強化学習を組み合わせることで、AtomMemは、メモリの振る舞いをオーケストレーションする自律的なタスク整合ポリシーを学ぶ。 3つの長期コンテキストベンチマークの実験結果から、トレーニング済みのAtomMem-8Bは、従来の静的ワークフローメモリメソッドよりも一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-01-13T08:22:28Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• EvoMem: Improving Multi-Agent Planning with Dual-Evolving Memory [2.9578217823740065]
  本稿では,デュアル進化メモリ機構上に構築されたマルチエージェントフレームワークであるEvoMemを紹介する。 旅行計画、会議計画、カレンダースケジューリングにおける一貫したパフォーマンス改善を示す。 この成功は、マルチエージェント計画の強化におけるメモリの重要性を強調している。
  論文  参考訳（メタデータ） (2025-11-01T01:38:07Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Mem-α: Learning Memory Construction via Reinforcement Learning [20.916677456417464]
  大きな言語モデル(LLM)エージェントは、限られたコンテキストウィンドウによって制約される。 現在のメモリ拡張エージェントは、メモリ更新のための事前に定義された命令とツールに依存している。 Mem-alphaは、エージェントに複雑なメモリシステムを効果的に管理するように訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T08:02:34Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)

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。