論文の概要: LCM: Lossless Context Management

• arxiv url: http://arxiv.org/abs/2605.04050v1
• Date: Sat, 14 Feb 2026 20:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.532171
• Title: LCM: Lossless Context Management
• Title（参考訳）: LCM: 損失のないコンテキスト管理
• Abstract要約: LLMメモリのための決定論的アーキテクチャであるLosless Context Management (LCM)を導入する。 Opus 4.6を使ってベンチマークすると、LCMで強化された符号化エージェントであるVoltは、OOLONG長文evalのClaude Codeよりも高いスコアを得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Lossless Context Management (LCM), a deterministic architecture for LLM memory that outperforms Claude Code on long-context tasks. When benchmarked using Opus 4.6, our LCM-augmented coding agent, Volt, achieves higher scores than Claude Code on the OOLONG long-context eval, including at every context length between 32K and 1M tokens. LCM may be considered both a vindication and extension of the recursive paradigm pioneered by Recursive Language Models (RLMs). Our results demonstrate that recursive context manipulation can outperform not just conventional LLMs, but frontier coding agents with native file-system access. LCM departs from RLM by decomposing symbolic recursion into two deterministic, engine-managed mechanisms: recursive context compression, in which a hierarchical summary DAG automatically compacts older messages while retaining lossless pointers to every original; and recursive task partitioning, in which engine-managed parallel primitives like LLM-Map replace model-written loops. This trade-off, analogous to the move from GOTO to structured control flow in program-ming language design, sacrifices maximal flexibility for termination guarantees, zero-cost continuity on short tasks, and lossless retrievability of all prior state.
• Abstract（参考訳）: LLMメモリのための決定論的アーキテクチャであるLosless Context Management (LCM)を導入する。 Opus 4.6を使用したベンチマークでは,LCM拡張符号化エージェントであるVoltが,32Kトークンから1Mトークンまでのコンテキスト長を含む,OOLONG長文evalのClaude Codeよりも高いスコアを達成している。 LCMは再帰的言語モデル (Recursive Language Models, RLMs) によって開拓された再帰的パラダイム(recursive paradigm)の帰納と拡張の両方と見なすことができる。 この結果から,再帰的コンテキスト操作は従来のLLMだけでなく,ネイティブなファイルシステムアクセスを持つフロンティアコーディングエージェントよりも優れていることが示された。 再帰的コンテキスト圧縮(recursive context compression, 階層的な要約 DAG)は、すべてのオリジナルに損失のないポインタを保持しながら、古いメッセージを自動的に圧縮する。 このトレードオフは、プログラム作成言語設計におけるGOTOから構造化制御フローへの移行に類似しており、終了保証に対する最大限の柔軟性、短いタスクにおけるゼロコスト連続性、すべての事前状態の損失のない検索性を犠牲にしている。

関連論文リスト

• Kalypso: Relational LLM Serving [6.264258565843104]
  既存のセマンティッククエリ処理システムは、クエリ計画に気付かない要求中心のLLMサービスシステムを呼び出す。 セマンティッククエリ計画のためのAPIを公開するリレーショナルLLMサービスシステムであるKalypsoを,適応型メモリ対応スケジューリングアルゴリズムを用いて提案する。 我々の評価によると、Kalypsoは要求中心のLLMサービスを使用してベースラインよりもクエリ完了時間を改善し、さまざまなワークロードで最大4.57倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-07-26T19:29:31Z)
• RuC: HDL-Agnostic Rule Completion Benchmark Generation [1.8927558216457558]
  大規模言語モデル(LLM)は、コード関連のタスク間で急速にパフォーマンスが向上している。 言語に依存しないルール補完(RuC)のためのフレームワークを提案する。 RuCは、入力ハードウェア記述ソースのセットからRTLコード補完タスクを生成する。
  論文  参考訳（メタデータ） (2026-04-30T12:19:40Z)
• Recursive Multi-Agent Systems [106.82473907888497]
  本稿では,マルチエージェントフレームワークであるRecursiveMASを紹介する。 RecursiveMASは、軽量なRecursiveLinkモジュールを介して、異種エージェントを協調ループとして接続する。 実行時複雑性と学習力学の理論解析により、RecursiveMASは標準テキストベースMASよりも効率的であることが判明した。
  論文  参考訳（メタデータ） (2026-04-28T17:59:34Z)
• Contextual Memory Virtualisation: DAG-Based State Management and Structurally Lossless Trimming for LLM Agents [0.0]
  我々は,蓄積したLLM理解をバージョン管理状態として扱うシステムであるコンテキスト記憶仮想化(CMV)を提案する。 CMVはセッション履歴を、正式に定義されたスナップショット、ブランチ、トリムプリミティブを備えたDAG(Directed Acyclic Graph)としてモデル化する。 シングルユーザによるケーススタディ評価では、トリミングが迅速なキャッシュの下で経済的に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-02-25T20:52:52Z)
• LLM-MemCluster: Empowering Large Language Models with Dynamic Memory for Text Clustering [52.41664454251679]
  大規模言語モデル(LLM)は、テキストクラスタリングを行う前例のない能力を提供することで、教師なしの学習を再構築している。 既存のメソッドは、しばしば外部モジュールを持つ複雑なパイプラインに依存し、真にエンドツーエンドのアプローチを犠牲にする。 LLM-MemClusterは,クラスタリングをLLMネイティブタスクとして再認識する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-11-19T13:22:08Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• TIT: A Tree-Structured Instruction Tuning Approach for LLM-Based Code Translation [11.882496324328905]
  LLMに基づくコード翻訳のためのツリー構造化命令チューニングパラダイムであるTITを提案する。 構文的混乱を軽減するため、構文的情報表現モジュールは言語に依存しない構文的特徴を統合する。 高品質の粒度並列データを生成するために、細粒度並列データセット拡張モジュールは、ノードとコードセグメントを整列する。
  論文  参考訳（メタデータ） (2025-10-10T13:53:46Z)
• Recursive Speculative Decoding: Accelerating LLM Inference via Sampling Without Replacement [11.91629418177851]
  投機的復号法(英: Speculative decoding)は、大規模言語モデルの推論・加速度法である。 近年の作業では、草稿の伐採によってこの方法が進歩している。 再帰的投機的復号法(Recursive Speculative Decoding:RSD)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T22:57:49Z)
• Continual Referring Expression Comprehension via Dual Modular Memorization [133.46886428655426]
  Referring Expression (REC) は、自然言語で記述された対象のイメージ領域をローカライズすることを目的としている。 既存のRECアルゴリズムは、モデルへのデータ供給のトレーニングを前もって行うと強く仮定する。 本稿では、入ってくるタスクのストリーム上でモデルが学習するRECの新しい設定である連続参照表現(CREC)を提案する。 学習済みの知識を忘れずに,スクラッチから繰り返し再学習することなく,逐次的タスクのモデルを継続的に改善するために,デュアルモジュール記憶法という効果的なベースライン手法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T02:58:51Z)
• L2MAC: Large Language Model Automatic Computer for Extensive Code Generation [52.81694565226513]
  トランスフォーマーベースの大規模言語モデル(LLM)は、基盤となるトランスフォーマーアーキテクチャの固定コンテキストウィンドウによって制約される。 本稿では,L2MACを提案する。L2MACは,LLMをベースとした汎用型自動計算機(von Neumann Architecture)フレームワークで,長期的かつ一貫した出力生成を実現する。
  論文  参考訳（メタデータ） (2023-10-02T16:55:19Z)
• LLM-Pruner: On the Structural Pruning of Large Language Models [65.02607075556742]
  大規模言語モデル(LLM)は、言語理解と生成において顕著な能力を示している。 タスク非依存であり、元のトレーニングデータセットへの依存を最小限に抑えるという2つの制約の範囲内でLLMの圧縮に取り組む。 LLM-Prunerという名前のこの手法は、非臨界結合構造を選択的に除去する構造プルーニングを採用する。
  論文  参考訳（メタデータ） (2023-05-19T12:10:53Z)

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。