論文の概要: Stop When Memory Suffices: Evidence-Conditioned Progressive Execution for LLM Agents

• arxiv url: http://arxiv.org/abs/2608.01285v1
• Date: Sun, 02 Aug 2026 14:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.148667
• Title: Stop When Memory Suffices: Evidence-Conditioned Progressive Execution for LLM Agents
• Title（参考訳）: 記憶不足: LLM 剤のエビデンス・コンディション・プログレッシブ・エクセプション
• Abstract要約: 既存のメモリシステムは、効率的なアクセスのために圧縮と構造ヒストリーまたはより広い軌道に関する深い研究を行う。 メモリシステムは、オンラインのレイテンシを低く保ちながら、強力な応答品質を達成できますか? 本稿では,長期エージェントメモリのためのエビデンス条件付きプログレッシブ実行フレームワークであるReuter-Memを紹介する。
• 参考スコア（独自算出の注目度）: 5.4775608854724345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continued development of LLMs toward persistent and adaptive intelligence increasingly requires long-term memory mechanisms that preserve and reuse information across interactions. Existing memory systems either compress and structure histories for efficient access or perform deep research over broader trajectories. The former lowers online cost but may omit temporal, causal, or cross-step dependencies, while the latter improves evidence coverage at substantial latency and inference cost. This raises a key question: can a memory system achieve strong answer quality while maintaining low online latency? We introduce Router-Mem, an evidence-conditioned progressive execution framework for long-horizon agent memory. Router-Mem first applies a shared low-cost retrieval prefix to obtain evidence. A lightweight sufficiency router then predicts whether the context supports early termination, which enable a single-token decision at inference time. It is trained with evidence-level supervision and rationale-conditioned representation distillation. When evidence is insufficient, Router-Mem reuses retrieval hits to expand memory blocks and perform deeper analysis and aggregation. Experiments on AMA-Bench and BEAM show that Router-Mem achieves 55.17\% and 38.77\% score while reducing average inference time by 27.3\% and 25.5\% compared with full memory execution.
• Abstract（参考訳）: 永続的かつ適応的なインテリジェンスに向けたLLMの継続的な開発は、インタラクション間で情報を保存・再利用する長期記憶機構をますます必要としています。 既存のメモリシステムは、効率的なアクセスのために圧縮と構造ヒストリーまたはより広い軌道に関する深い研究を行う。 前者はオンラインコストを下げるが、時間的、因果的、または横断的な依存関係を省略し、後者は相当なレイテンシと推論コストでのエビデンスカバレッジを改善する。 メモリシステムは、オンラインのレイテンシを低く保ちながら、強力な応答品質を達成できますか? 本稿では,長期エージェントメモリのためのエビデンス条件付きプログレッシブ実行フレームワークであるReuter-Memを紹介する。 Router-Memはまず、証拠を得るために共有の低コスト検索プレフィックスを適用する。 軽量なサフィアンシルータは、コンテキストが早期終了をサポートするかどうかを予測し、推論時に単一トークン決定を可能にする。 証拠レベルの監督と合理的条件による表現蒸留で訓練されている。 証拠が不十分な場合、Reuter-Memは検索ヒットを再利用してメモリブロックを拡張し、より深い分析と集約を行う。 AMA-Bench と BEAM の実験では、ルータ-Mem は 55.17\% と 38.77\% を達成し、平均推論時間を 27.3\% と 25.5\% に削減した。

関連論文リスト

• Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
  本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。 統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。 これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
  論文  参考訳（メタデータ） (2026-08-15T03:29:48Z)
• RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory [13.519130680921565]
  本稿では,長期記憶システムであるRippleMemを紹介する。 LoCoMoとLongMemEval-Sは、RippleMemが評価された設定全体で最高の全体的なパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-08-13T15:05:01Z)
• MemChain: Learning Interpretable Memory Traces for Memory-Augmented LLM Agents [26.87993979719045]
  メモリ拡張LDMエージェントは通常、関連するメモリを検索し、直接回答モデルに入力することでクエリに応答する。 提案するMemChainは、検索した候補を応答対応アクティブメモリに変換する訓練後のメモリポリシーである。 MemChainは、クローズドソースとオープンウェイトフリートの両方の解答モデルにおいて、最先端のパフォーマンスを一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2026-07-27T07:37:43Z)
• 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)
• MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents [10.248580356955085]
  大規模言語モデル(LLM)は対話において大きな進歩を遂げているが、冗長なメモリコンテキストはそれらの有効性を制限している。 歴史的記憶の意味構造における反射的検索を基盤とした検索戦略であるMGRetrievalを提案する。 LoCoMoの大規模な実験により、MGRetrievalはF1の8.91%、BLEU-1の11.11%で最強のベースラインを上回った。
  論文  参考訳（メタデータ） (2026-05-22T14:41:56Z)
• DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA [3.56156695760535]
  大規模言語モデル(LLM)エージェントは、依然として長期記憶疑問応答に苦慮している。 本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。 LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステムの効率性において強力なベースラインを超えている。
  論文  参考訳（メタデータ） (2026-05-21T12:36:46Z)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• 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)

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。