論文の概要: Supra Cognitive Modes: A Routed Architecture for Agent Memory
- arxiv url: http://arxiv.org/abs/2607.19096v1
- Date: Tue, 21 Jul 2026 13:37:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.435555
- Title: Supra Cognitive Modes: A Routed Architecture for Agent Memory
- Title（参考訳）: Supra Cognitive Modes: エージェントメモリのためのルーティングアーキテクチャ
- Abstract要約: Supra Cognitive Modes (SCM) について述べる。これは,明示的あるいは自動選択されたクエリごとのモードを,1つの共用基板上での検索および合成ペイロードにマッピングするアーキテクチャである。
本稿では,Long-term Conversational Memory (LoCoMo),MemoryAgentBench (MAB),LongMemEvalの3つのベンチマークに配置した構成を特徴付ける。
- 参考スコア（独自算出の注目度）: 0.5872662447648234
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agent-memory workloads mix direct factual lookup, relation-chain and current-state reasoning, and broad synthesis over long histories. We describe Supra Cognitive Modes (SCM), an architecture that maps explicit or automatically selected per-query modes to retrieval and synthesis payloads over one shared ingest substrate. A frozen semantic classifier and runtime gates dispatch queries among fused lexical and dense lookup, graph or iterative multi-hop handling, and stratified long-form synthesis. The substrate combines multi-granularity embeddings, extracted triples, fact-version metadata, and optional asynchronous enrichments. We characterize the deployed configuration on three benchmarks: Long-term Conversational Memory (LoCoMo; n = 1,986), MemoryAgentBench (MAB; n = 3,671), and LongMemEval (n = 500). The reference run records 84.87% on LoCoMo factoid categories and 68.61% on adversarial abstention, 61.49% on MAB across two repetitions, and 86.00% on LongMemEval. A repository-backed reproduction produces similar aggregate scores and supports task- and mode-conditioned failure analysis. Raw baseline outputs, aligned end-to-end timing for LoCoMo and LongMemEval, and complete token ledgers are unavailable; stored rows also omit some final runtime decisions. The results characterize one implemented routed configuration and its diagnostic failure patterns, while source inspection verifies the per-query control interface and shared-substrate design. Causal routing effects, efficiency gains, and statistical significance remain outside the available evidence.
- Abstract（参考訳）: エージェントメモリのワークロードは、直接のファクトルックアップ、リレーチェーン、現在の推論、長い履歴の広範な合成を混ぜています。
Supra Cognitive Modes (SCM) について述べる。これは,明示的あるいは自動選択されたクエリごとのモードを,1つの共用基板上での検索および合成ペイロードにマッピングするアーキテクチャである。
凍結したセマンティック分類器と実行時ゲートは、融合した語彙と密度の高いルックアップ、グラフまたは反復的なマルチホップハンドリング、および階層化された長文合成の間でクエリをディスパッチする。
基板は、多粒度埋め込み、抽出されたトリプル、ファクトバージョンメタデータ、オプションの非同期エンリッチメントを組み合わせる。
長期会話メモリ(LoCoMo; n = 1,986)、MemoryAgentBench(MAB; n = 3,671)、LongMemEval(n = 500)の3つのベンチマークでデプロイされた構成を特徴付ける。
ロコモのファクトイドは84.87%、敵の棄権は68.61%、MABは61.49%、LongMemEvalは86.00%である。
リポジトリが支援する再生は、同様の集計スコアを生成し、タスクおよびモード条件の障害解析をサポートする。
生のベースライン出力、LoCoMoとLongMemEvalのエンドツーエンドタイミング、完全なトークン台帳は利用できない。
その結果、実装されたルーティング構成とその診断失敗パターンを特徴付けるとともに、ソースインスペクションは、クエリごとの制御インターフェースと共有基板設計を検証する。
因果経路効果、効率向上、統計的意義は、利用可能な証拠の外にある。
関連論文リスト
- Beyond Retrieval: Analytic Memory for Multimodal Agents [20.053051187012315]
長期的なマルチモーダルメモリは、関連する情報を取得するだけでなく、相互作用にまたがって蓄積された観測の計算もサポートしなければならない。
本稿では,検索と解析メモリを協調的にサポートするフレームワークであるAdaMMを提案する。
MemEyeとMemGalleryの2つの長期マルチモーダルメモリベンチマークの実験では、それぞれAdaMMのパフォーマンスが11.3%と6.9%向上した。
論文 参考訳（メタデータ） (2026-07-31T14:07:12Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - Mandol: An Agglomerative Agent Memory System for Long-Term Conversations [19.51654277630379]
Mandolは、断片化されたメモリ表現とストレージを統一されたメモリネイティブアーキテクチャに統合する集約型メモリシステムである。
マンドルは代表エージェントメモリシステムの中で最高の全体的な精度を達成する。
論文 参考訳（メタデータ） (2026-06-29T04:43:29Z) - When Does Overlap Help? OSU-Mem and a Cell-Conditional Analysis of Trajectory Memory for LLM Agents [8.361893760388329]
LLM(Long-Horizon Large Language Model)エージェントは、実用的なプロンプト予算を迅速に超過する相互作用トラジェクトリを蓄積する。
トラジェクトリメモリを重なり合うセマンティックユニット(OSU)に編成することは、フラットまたは非ジョイントな選択肢を検索するのに役立つのだろうか?
我々はこれをOSUMemでインスタンス化し、OSUプールの重なり合う部分から予算付き粗大な拡張によって取り出す。
論文 参考訳（メタデータ） (2026-06-19T04:23:04Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents [0.4464102544889847]
メモリは、プロダクショングレードのエージェントシステムのデプロイにおいて、主要なアーキテクチャ上のボトルネックである。
Memantoは、エージェント人工知能のための普遍記憶層である。
メマントは、それぞれ89.8%と87.1%の精度を達成している。
論文 参考訳（メタデータ） (2026-04-23T21:34:36Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。
本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。
ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2026-01-05T21:02:49Z) - Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。
本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。
このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
論文 参考訳（メタデータ） (2025-11-28T03:09:40Z) - MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。
それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。
我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
論文 参考訳（メタデータ） (2025-11-04T18:27:39Z) - SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。
また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。
結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
論文 参考訳（メタデータ） (2025-09-11T14:37:37Z)
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。