論文の概要: Addressable Recall Compaction for Long Context-Window Control in AI Agents

• arxiv url: http://arxiv.org/abs/2607.25066v1
• Date: Mon, 27 Jul 2026 20:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.619751
• Title: Addressable Recall Compaction for Long Context-Window Control in AI Agents
• Title（参考訳）: AIエージェントにおける長コンテキストウィンドウ制御のためのアドレス型リコール圧縮
• Abstract要約: ロングホライゾンLSMエージェントは、最終的にモデルの固定されたコンテキストウインドウを超えることができる推論トレース、アクション、ツール観察を蓄積する。 本稿では,アーカイブストレージとアクティブ・コンテクスト・プレゼンテーションを分離したコンテキスト管理フレームワークARCを提案する。 ARCは、ツールの観察を追加専用でID対応のログに格納し、圧縮が必要なときに古い観察をコンパクトな引用に置き換える。
• 参考スコア（独自算出の注目度）: 6.124773188525719
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Long-horizon LLM agents accumulate reasoning traces, actions, and tool observations that can eventually exceed a model's fixed context window. Existing compaction methods address this limitation by discarding, summarizing, or retrieving earlier information, but they may remove task-critical details or fail to recover them reliably. We propose ARC (Addressable Recall Compaction), a context-management framework that separates archival storage from active-context presentation. ARC stores tool observations in an append-only, ID-addressable log and replaces older observations with compact citations when compaction is required. The agent can subsequently use these identifiers to request stored content without re-executing the corresponding tools or depending solely on similarity-based retrieval. We evaluate ARC using Qwen3-8B with a 16k context window and Qwen3-32B with a 32k context window. On the Needle-in-a-Haystack evaluation, ARC achieves an average exact-answer accuracy of 99.40%, compared with 88.12% for the best-performing baseline in our evaluation. ARC also reduces estimated serving time and HBM traffic under our hardware-cost model. On the LongBench-v2 Hard subset, ARC obtains an average accuracy of 29.97%, compared with 28.25% for the best-performing baseline. These results indicate that explicit, address-based recall can improve information retention and serving efficiency relative to the evaluated context-management baselines under the tested settings.
• Abstract（参考訳）: ロングホライゾンLSMエージェントは、最終的にモデルの固定されたコンテキストウインドウを超えることができる推論トレース、アクション、ツール観察を蓄積する。 既存のコンパクト化手法は、以前の情報を破棄、要約、検索することでこの制限に対処するが、タスククリティカルな詳細を除去したり、それらを確実に回収できなかったりすることができる。 本稿では,アーカイブストレージとアクティブ・コンテクスト・プレゼンテーションを分離したコンテキスト管理フレームワークARCを提案する。 ARCは、ツールの観察を追加専用でID対応のログに格納し、圧縮が必要なときに古い観察をコンパクトな引用に置き換える。 エージェントはその後、これらの識別子を使用して、対応するツールを再実行したり、類似性に基づく検索のみに依存することなく、ストアドコンテンツを要求することができる。 我々は16kコンテキストウィンドウのQwen3-8Bと32kコンテキストウィンドウのQwen3-32Bを用いてARCを評価する。 Needle-in-a-Haystack の評価では,ARC が 99.40% の精度を達成しているのに対し,私たちの評価では 88.12% の精度である。 ARCは、ハードウェアコストモデルの下で、推定サービス時間とHBMトラフィックを削減します。 LongBench-v2 Hardサブセットでは、ARCの平均精度は29.97%であり、最高性能のベースラインは28.25%である。 これらの結果から、明示的なアドレスベースのリコールは、テスト条件下での評価済みコンテキスト管理ベースラインに対して、情報保持とサービス効率を向上させることができることが示された。

関連論文リスト

• ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents [13.899082848026469]
  ContextPipeのコンテキストは監査可能で、再生可能で、フェールアイソブラウザであることを示す。 SWE-bench Pro Quteサブセットを用いた予備評価では、追加のみのコンテキスト構築ポリシと比較して、ContextPipeは、KVキャッシュヒット比の低いコストで、トークン総量を31%削減し、LLMコールを23%削減し、レスポンスタイムを9%削減した。
  論文  参考訳（メタデータ） (2026-09-01T05:27:38Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories [16.13133177152883]
  Retrievalは、重要かもしれない過去の軌跡を特定することができるが、ユーザー、エンティティ、制約、環境状態が変わった後、エージェントがその軌跡をどのように使うべきかは明記していない。 我々は,この再検索後の再利用ステップを,長期記憶のボトルネックとして認識する。 クエリ条件の再利用(QCR)によってフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-13T05:39:49Z)
• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• DEEPRUBRIC: Evidence-Tree Rubric Supervision for Efficient Reinforcement Learning of Deep Research Agents [17.420077157633852]
  報奨に基づく強化学習は、レポート品質を報奨信号に変換するチェック可能な基準に最適化することにより、ディープリサーチエージェントを改善する。 既存の研究の多くは、LLMに与えられたクエリに対してルーリックを生成するよう求めているが、モデルが基盤となる情報要求を推測できない場合、生成されたルーリックは不完全であり、RL効率を低下させる可能性がある。 より信頼性の高いクエリ-ルーブリックの監視を得るために、このプロセスを逆転するデータ構築フレームワークであるDeepRubricを紹介します。
  論文  参考訳（メタデータ） (2026-06-15T17:52:27Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• Context Recycling for Long-Horizon LLM Inference [0.3655021726150367]
  大規模言語モデル(LLM)は、短文推論において強力な能力を示すが、長い会話の地平線上での性能は低下する。 タスク関連情報をターン毎に保持するコンテキストリサイクルシステムであるContextForgeを紹介する。 システムは、完全なコンテキスト再生に頼ることなく、事前計算の効率的な再利用を可能にする。
  論文  参考訳（メタデータ） (2026-05-01T04:45:08Z)
• iCoRe: An Iterative Correlation-Aware Retriever for Bug Reproduction Test Generation [10.824024745675281]
  iCoReは反復的相関型コンテキスト検索手法である。 本手法はFail-to-Passレートをそれぞれ42.0%,52.8%とする。
  論文  参考訳（メタデータ） (2026-04-21T08:26:30Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• When Benchmarks Lie: Evaluating Malicious Prompt Classifiers Under True Distribution Shift [0.0]
  有害なリクエスト、ジェイルブレイク、間接的なプロンプトインジェクション、抽出攻撃にまたがる18のデータセットのベンチマークを用いて、包括的な分析を行う。 我々は,真のアウト・オブ・ディストリビューションの一般化を評価するために,LODO(Leave-One-Dataset-Out)評価を提案する。
  論文  参考訳（メタデータ） (2026-02-15T14:21:43Z)
• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
  我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。 その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
  論文  参考訳（メタデータ） (2026-02-02T03:00:19Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Leveraging Approximate Caching for Faster Retrieval-Augmented Generation [6.674782158041247]
  本稿では,ユーザクエリの類似性を活用してRAGワークフローを最適化する,近似キー値キャッシュであるProximityを紹介する。 Proximityは、それぞれのクエリを独立して扱う代わりに、類似したクエリが現れると、以前検索されたドキュメントを再利用する。 我々の実験では、LSH方式と現実的にスキューされたMedRAGのワークロードとの近さは、データベースのリコールとテストの精度を維持しながら、データベース呼び出しを77.2%削減することを示した。
  論文  参考訳（メタデータ） (2025-03-07T15:54:04Z)

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。