論文の概要: LLM Agents Are Latent Context Managers: Eliciting Self-Managed Context via a Proprioceptive Dashboard

• arxiv url: http://arxiv.org/abs/2606.30005v1
• Date: Mon, 29 Jun 2026 09:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.158368
• Title: LLM Agents Are Latent Context Managers: Eliciting Self-Managed Context via a Proprioceptive Dashboard
• Title（参考訳）: LLMエージェントは遅延コンテキストマネージャである:プロプライエセプティブなダッシュボードによる自己管理コンテキストの排除
• Abstract要約: ロングホライゾンツールエージェントは、コンテキストウィンドウの限界に向かってコンテキストがどのように成長するかによってボトルネックとなる。 最近のシステムはコンテキスト管理エージェントまたはシステム制御を行うが、彼らは証拠を捨てる圧縮ポリシーを学ぶか、エージェントが見ないレイヤでコンテキストを管理する。 VISTAはトレーニング不要でモデルに依存しないレイヤで、動作メモリを型付きアドレス可能なブロックとして表現する。
• 参考スコア（独自算出の注目度）: 5.832246157477454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon tool agents are bottlenecked by how their context grows toward the limits of the context window. Recent systems make context management agent- or system-controlled, but they either learn a compression policy that discards evidence or manage context in a layer the agent never sees. We argue both leave a more basic gap unaddressed. Frontier language models are proprioceptively blind to their own context. From the prompt alone they cannot see how large, how old, or how used each block is, the signals a keep-or-drop decision needs. We hypothesize that competent context management is already latent in capable models, and that what is missing is not a learned policy but an interface exposing this state. We introduce VISTA (Visible Internal State for Tool Agents), a training-free, model-agnostic layer that represents working memory as typed, addressable blocks, surfaces a runtime dashboard of per-block token usage, recency, and access history, and archives blocks as recoverable full-fidelity payloads. On LOCA-Bench, BrowseComp-Plus, and GAIA, the same untrained interface transfers across million-, 100K-, and 10K-scale trajectories. On LOCA-Bench it improves four backbones and lifts Gemini-3-Flash from 22.7 to 50.7%. The lift grows with context pressure and transfers across backbones. Ablations further confirm that the dashboard matters beyond archive and recovery tools.
• Abstract（参考訳）: ロングホライゾンツールエージェントは、コンテキストウィンドウの限界に向かってコンテキストがどのように成長するかによってボトルネックとなる。 最近のシステムはコンテキスト管理エージェントまたはシステム制御を行うが、彼らは証拠を捨てる圧縮ポリシーを学ぶか、エージェントが見ないレイヤでコンテキストを管理する。 両者とも、より基本的なギャップを未然に残している、と私たちは主張する。 フロンティア言語モデルは、自分たちの文脈に対してプロトリオセプティヴに盲目である。 プロンプトだけでは、ブロックがどれだけ大きく、どれだけ古いか、どれくらい使われているかを知ることができません。 我々は、有能なモデルでは有能なコンテキスト管理がすでに遅れており、欠けているのは学習されたポリシーではなく、この状態を公開するインターフェースである、と仮定する。 VISTA (Visible Internal State for Tool Agents) は,動作メモリを型付き,アドレス可能なブロックとして表現し,ブロック単位のトークン使用量,相対性,アクセス履歴のランタイムダッシュボードをサーフェスし,ブロックを回復可能なフルフィデリティペイロードとしてアーカイブする,トレーニングフリーで,モデルに依存しないレイヤである。 LOCA-Bench、BrowseComp-Plus、GAIAでは、同じトレーニングされていないインタフェースが100万、100万、10万のスケールで転送される。 LOCA-Benchでは、4つのバックボーンを改善し、Gemini-3-Flashを22.7から50.7%に引き上げている。 リフトは、コンテキストプレッシャーとバックボーン間の転送で成長する。 さらに、ダッシュボードがアーカイブやリカバリツール以外に重要であることも確認されている。

関連論文リスト

• 2AM: Grounding Agent-Side Memory as Guidance for Steerable Action Models in Long-Horizon Manipulation [6.040186174770221]
  ロングホライズンロボットの操作はメモリを必要とするが、必ずしもアクションポリシーの範囲内ではない。 2AMは、マルチモーダルエージェントをタスクメモリの唯一のホルダーとし、単一のRGBベースの、エピソード的にステートレスなアクションモデルをタスク関連モーションの唯一のエグゼキュータにする。 LIBERO-Memでは、深さ、オンライン幾何、またはプランナーに基づく物体の動きが76.3%に達し、最強のベースラインである14.8%を61.5ポイント改善し、63.0%の緩和と11.8%の厳密な成功を達成している。
  論文  参考訳（メタデータ） (2026-09-10T09:35:56Z)
• ACM: Agentic Context Management for Long Horizon Tasks [27.337726990282928]
  Agentic Context Management (ACM) は、エージェントに汎用的なコンテキスト編集ツールを提供するフレームワークである。 短期記憶と長期記憶の相互作用にインスパイアされたエージェントは、いつそのコンテキストを圧縮するかを自律的に決定する。
  論文  参考訳（メタデータ） (2026-07-26T19:19:24Z)
• MIRAGE: Mobile Agents with Implicit Reasoning and Generative World Models [53.09772037247959]
  可視テキスト推論トレースから連続潜時推論表現を学習するフレームワークであるMIRAGEを紹介する。 AndroidWorldでは、MIRAGEは4Bアブレーションで監督された微調整を3～5倍の低い復号化予算と一致している。 AndroidControlでは、75%以上のトークンを生成しながらアクショングラウンドを改善する。
  論文  参考訳（メタデータ） (2026-06-03T09:01:24Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• OpenClaw-RL: Train Any Agent Simply by Talking [54.06773485601523]
  次状態信号は普遍的であり、ポリシーはそれらすべてから同時に学習することができる。 個人的な会話、端末の実行、GUIインタラクション、SWEタスク、ツールコールトレースは、別個のトレーニング問題ではない。 OpenClaw-RLは、エージェントを単に使用することで改善し、ユーザのリクエリ、修正、明示的なフィードバックから会話信号を復元する。
  論文  参考訳（メタデータ） (2026-03-10T18:59:01Z)
• AgentSys: Secure and Dynamic LLM Agents Through Explicit Hierarchical Memory Management [47.49917373646469]
  既存の防御は肥大した記憶を与えられたまま扱い、回復力を維持することに集中する。 我々は、明示的なメモリ管理を通じて間接的なインジェクションを防御するフレームワークであるAgentSysを紹介する。
  論文  参考訳（メタデータ） (2026-02-07T06:28:51Z)
• InfiAgent: An Infinite-Horizon Framework for General-Purpose Autonomous Agents [36.740230738304525]
  InfiAgentは、タスクの持続時間に関係なく、エージェントの推論コンテキストを厳密に拘束する。 20Bのオープンソースモデルを持つInfiAgentは、より大きなプロプライエタリなシステムと競合する。
  論文  参考訳（メタデータ） (2026-01-06T17:35:57Z)
• CaveAgent: Transforming LLMs into Stateful Runtime Operators [31.548422546991915]
  CaveAgentは"LLM-as-Text-Generator"から"LLM-as-as-Runtime"にパラダイムを変換するフレームワークです。 CaveAgentは小売業のタスクで10.5%の成功率の向上を実現し、マルチターンシナリオではトークン総消費を28.4%削減している。
  論文  参考訳（メタデータ） (2026-01-04T15:32:47Z)
• Git Context Controller: Manage the Context of LLM-based Agents like Git [6.521644491529639]
  大きな言語モデル(LLM)ベースのエージェントは、内部推論と外部ツールの使用をインターリーブすることによって、印象的な機能を示している。 ソフトウェアバージョン管理システムにインスパイアされた構造化コンテキスト管理フレームワークであるGit-Context-Controller(GCC)を紹介した。 自己複製のケーススタディでは、GCCを増強したエージェントが新しいCLIエージェントをスクラッチから作り、40.7タスクの解決を実現した。
  論文  参考訳（メタデータ） (2025-07-30T08:01:45Z)

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。