論文の概要: Rosetta Memory: Adaptive Memory for Cross-LLM Agents

• arxiv url: http://arxiv.org/abs/2606.07711v1
• Date: Fri, 05 Jun 2026 13:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.303411
• Title: Rosetta Memory: Adaptive Memory for Cross-LLM Agents
• Title（参考訳）: Rosetta Memory: クロスLLMエージェントの適応メモリ
• Authors: Hao Yang, Shiqi Shen, Haoxuan Li, Zhipeng Wang, Zhi Gong, Xu Chen,
• Abstract要約: メモリは、経験蓄積、長期計画、継続的な自己改善を通じて、ステートレス LLM を永続的で進化したエージェントに変換するための鍵となるコンポーネントである。 実際には、ユーザーは、コーディングにClaudeを使い、タスク間の書き込みにGPTを使用する、あるいはコスト効率のトレードオフのために単一のタスク内で異なるバックボーンに異なるステップをルーティングするなど、LLMを頻繁に切り替える。 上流メモリを効果的に適用し、下流のLSMを活性化させることは、重要な問題でありながら未発見の課題である。 具体的には、上述のアップストリーム・ダウンストリームメモリ適応問題に対して、書き込み側と読み側の両方からアプローチし、2つのプロファイル条件を設計する。
• 参考スコア（独自算出の注目度）: 16.39618390394249
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory is the key component for transforming a stateless LLM into a persistent, evolving agent through experience accumulation, long-horizon planning, and continual self-improvement. Existing memory systems typically take the LLM as the center and design memory operations tailored to a specific backbone. In practice, however, users frequently switch between LLMs, for example using Claude for coding and GPT for writing across tasks, or routing different steps to different backbones within a single task for cost-effective trade-offs. As a result, memory written by one model often needs to be consumed by another. Making upstream memory effectively adapt to and activate downstream LLMs remains a critical yet underexplored problem. To bridge this gap, we shift the perspective from LLM-centric memory design to \emph{memory-centric LLM adaptation}. Specifically, we approach the above upstream-downstream memory adaptation problem from both the write and read sides, and design two profile-conditioned operators that are jointly trained to optimize how memory is stored and presented for better task completion. To ensure the learned operators generalize across a broad set of LLMs, we propose a minimum-gain sampling curriculum that prioritizes the least-served LLMs during training. To better measure the operators' actual contribution rather than the LLM's own capability, we design a performance-gap reward that compares against a naive memory baseline. Experiments on HotpotQA, 2WikiMultihopQA, and MuSiQue demonstrate that our model consistently outperforms baselines and remains robust under unseen-model replacement.
• Abstract（参考訳）: メモリは、経験蓄積、長期計画、継続的な自己改善を通じて、ステートレス LLM を永続的で進化したエージェントに変換するための鍵となるコンポーネントである。 既存のメモリシステムは LLM を中心とし、特定のバックボーンに合わせてメモリ操作を設計する。 しかし実際には、ユーザーは、コーディングにClaudeを使い、タスク間の書き込みにGPTを使う、コスト効率のトレードオフのために単一のタスク内で異なるバックボーンに異なるステップをルーティングするなど、LLMを頻繁に切り替える。 その結果、あるモデルによって書かれたメモリは、しばしば別のモデルによって消費される。 上流メモリを効果的に適用し、下流のLSMを活性化させることは、重要な問題でありながら未発見の課題である。 このギャップを埋めるために、LLM中心のメモリ設計から \emph{Memory-centric LLM adaptation} へと視点を移す。 具体的には、上述のアップストリームダウンストリームメモリ適応問題に対して、書き込み側と読み側の両方からアプローチし、メモリの保存方法の最適化とタスク完了のための2つのプロファイル条件演算子を共同で設計する。 学習者が広い範囲のLLMにまたがって一般化することを保証するため、トレーニング中に最小限のLLMを優先する最小ゲインサンプリングカリキュラムを提案する。 LLMの能力よりもオペレータの実際のコントリビューションをよりよく測定するために、我々は、単純メモリベースラインと比較したパフォーマンスギャップ報酬を設計する。 HotpotQA, 2WikiMultihopQA, MuSiQueの実験は、我々のモデルはベースラインを一貫して上回り、目に見えないモデルの代替の下で堅牢であることを示した。

関連論文リスト

• Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM Agents [27.2861945963127]
  メモリ拡張LDMエージェントは、有限コンテキストウィンドウを超えて拡張されるインタラクションを可能にする。 マルチセッション環境における強化学習によるエージェントの育成は困難である。 メモリ拡張LDMエージェントのトレーニングフレームワークであるMemory-R2を紹介する。
  論文  参考訳（メタデータ） (2026-05-20T22:02:00Z)
• MemSifter: Offloading LLM Memory Retrieval via Outcome-Driven Proxy Reasoning [78.46301394559903]
  大きな言語モデル(LLM)は、長期化タスクにますます使われています。 現在の手法はコストと精度のトレードオフに直面している。 MemSifterは、メモリ検索プロセスを小さなプロキシモデルにオフロード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） (2026-03-03T02:57:38Z)
• 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)
• 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)
• Learn to Memorize: Optimizing LLM-based Agents with Adaptive Memory Framework [33.739298910759544]
  メモリサイクルをモデル化し,適応型・データ駆動型メモリフレームワークを用いたLCMエージェントの最適化を提案する。 具体的には、メモリ検索を容易にするためのMoEゲート関数を設計し、メモリ利用を改善するための学習可能な集約プロセスを提案し、メモリ記憶に適応するためのタスク固有のリフレクションを開発する。
  論文  参考訳（メタデータ） (2025-08-15T12:22:52Z)
• MemLLM: Finetuning LLMs to Use An Explicit Read-Write Memory [49.96019697955383]
  本稿では,構造化および明示的な読み書きメモリモジュールを統合することで,大規模言語モデル(LLM)の拡張手法であるMemLLMを紹介する。 実験の結果, 言語モデリング, 特に知識集約型タスクにおいて, MemLLMはLLMの性能と解釈可能性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-17T18:13:16Z)

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。