Fugu-MT 論文翻訳(概要): Zero-Mem: Zero-Token Memory Operations for LLM Agents

論文の概要: Zero-Mem: Zero-Token Memory Operations for LLM Agents

arxiv url: http://arxiv.org/abs/2607.29377v1
Date: Fri, 31 Jul 2026 13:01:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 14:29:40.728453
Title: Zero-Mem: Zero-Token Memory Operations for LLM Agents
Title（参考訳）: ゼロメム:LDMエージェントのゼロトーケンメモリ操作
Abstract要約: Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。 Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 17.228305588778
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: LLM agents need memory to act consistently over long interactions, yet many systems use additional LLM calls to operate that memory. Generating intermediate records and mediating their retrieval adds recurring token and time costs, while omitted or merged details can obscure the original evidence. We ask whether structured memory access requires generation at all. Zero-Mem introduces \emph{zero-token memory operations}: no step outside final question answering invokes an LLM or consumes LLM input or output tokens; encoder computation is accounted for separately. Zero-Mem preserves original interaction traces as its source of record. It organizes the traces in two complementary ways. An entity--context graph exposes connections across interactions, while a temporal hierarchy preserves conversational locality and session state. For each query, Zero-Mem weighs the two views, retrieves from both, and follows their structure to recover supporting relations or surrounding context. Deterministic calibration first discards conflicting evidence and then keeps the reader's answer grounded in the retrieved traces. Only the final-QA reader invokes an LLM. Across long-memory and long-context question-answering benchmarks, Zero-Mem achieves competitive performance while eliminating LLM calls and LLM-token consumption from memory operations. With the same final-QA reader and context budget, it reduces memory-operation time cost by 57.6\% relative to the fastest compared baseline. Ablations support the contribution of the two views and their query-dependent coordination. Overall, the results show that structured agent memory need not generate an intermediate representation of the past. After peer review, the code and implementation details will be available at \textcolor{blue}{https://github.com/TheMoon0815/Zero-mem}.
Abstract（参考訳）: LLMエージェントは、長時間の相互作用に対して一貫した動作をするためにメモリを必要とするが、多くのシステムは、そのメモリを操作するために追加のLCMコールを使用する。中間記録の生成と検索の仲介は、繰り返しトークンと時間コストを増し、省略またはマージされた詳細は、元の証拠を曖昧にする可能性がある。構造化メモリアクセスには生成が必要かどうかを問う。 Zero-Mem は \emph{zero-token メモリ操作を導入している: 最終質問応答は LLM を呼び出すか LLM 入力または出力トークンを消費する;エンコーダの計算は別々に説明される。 Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。痕跡を2つの補完的な方法で整理する。エンティティ-コンテキストグラフはインタラクション間の接続を公開し、時間階層は会話の局所性とセッション状態を保存する。各クエリに対して、Zero-Memは2つのビューを重み付け、両方から検索し、その構造に従って関係や周囲のコンテキストを回復する。決定論的キャリブレーションは、まず矛盾する証拠を破棄し、その後、回収された痕跡に読者の回答を根拠づける。最終QAリーダーのみがLSMを呼び出す。長期メモリと長期コンテキストの問合せベンチマーク全体において、Zero-MemはLLMコールを排除し、メモリ操作からLLMトーケン消費を排除しながら競合性能を達成する。同じ最終QAリーダーとコンテキスト予算により、メモリ操作時間コストは、比較した最速のベースラインと比較して57.6\%削減される。アブレーションは2つのビューのコントリビューションとクエリ依存の調整をサポートする。全体として、構造化エージェントメモリは過去の中間表現を生成する必要はない。ピアレビューの後、コードと実装の詳細は、textcolor{blue}{https://github.com/TheMoon0815/Zero-mem}で確認できる。

関連論文リスト

Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
論文参考訳（メタデータ） (2026-09-07T06:32:12Z)
EdgeMem: LLM-Free Agent Memory Construction and Retrieval via Evidence-Preserving Multi-Anchor Hypergraph [37.27140929522461]
既存の方法は相互作用履歴を要約やその他のLCM生成表現に圧縮する。 We propose EdgeMem, a agent-Memory method built on a simple principle: maintain original interaction turn and organize them through complementary content。
論文参考訳（メタデータ） (2026-09-03T11:17:03Z)
LycheeMemory V2: Efficient Long-Term Memory for LLM Agents via Semantic Segment-Level Consolidation [27.436221279026856]
LycheeMemory V2は、ターンレベルの統合をセマンティックセグメントレベルの統合に置き換える、効率的な長期記憶フレームワークである。 LycheeMemoryは、LoCoMoでGPT-4.12%、LongMemEval-Sで92.20%、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-08-13T09:13:15Z)
LazyMem: Retrieve Broadly, Construct Selectively for Efficient Long-Term Agent Memory [10.916121108457537]
クエリ時間にすべてのメモリ構成を遅延させるLazyMemを紹介します。 LongMemEvalでは、LazyMem-4B は LLM-judge の精度 0.85 を達成し、最強の非線形ベースラインを上回っている。さらに、ターゲットドメイントレーニングなしでLoCoMoに一般化し、以前のクエリ時間ベースラインと比較して平均レイテンシを低減する。
論文参考訳（メタデータ） (2026-07-17T12:49:57Z)
Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文参考訳（メタデータ） (2026-07-15T08:32:40Z)
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)
Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。 Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
論文参考訳（メタデータ） (2026-06-09T10:31:51Z)
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)
RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents [16.625864201773343]
RecMemは、受信するインタラクションをサブ意識のメモリ層に格納し、軽量な埋め込みモデルを使用してエンコードする。実験により、RecMemは3つのSOTAメモリシステムのメモリ構築トークンコストを最大87%削減し、精度を上回ります。
論文参考訳（メタデータ） (2026-05-15T15:17:36Z)
Lightweight LLM Agent Memory with Small Language Models [27.343533336242913]
LightMemは、Small Language Models (SLM)によって駆動されるより優れたエージェントメモリのための軽量メモリシステムである。我々は,記憶を即時会話のための短期記憶(STM),再利用可能な対話要約のための中期記憶(MTM),統合された知識のための長期記憶(LTM)に整理する。実験の結果,LoCoMoではF1が平均2.5向上し,より効率的で中央値の低いレイテンシ(83ms検索,581msエンドツーエンド)が得られた。
論文参考訳（メタデータ） (2026-04-09T04:51:07Z)
LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。 GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
論文参考訳（メタデータ） (2025-10-21T17:58:17Z)
From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-05-26T06:13:07Z)
SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
論文参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。