論文の概要: LycheeMemory V2: Efficient Long-Term Memory for LLM Agents via Semantic Segment-Level Consolidation
- arxiv url: http://arxiv.org/abs/2608.12990v1
- Date: Thu, 13 Aug 2026 09:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.460485
- Title: LycheeMemory V2: Efficient Long-Term Memory for LLM Agents via Semantic Segment-Level Consolidation
- Title（参考訳）: LycheeMemory V2:Semantic Segment-Level ConsolidationによるLLMエージェントの長期記憶の効率化
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.436221279026856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon LLM agents must preserve information from past interactions to support future tasks. Existing memory systems typically rely on eager consolidation, invoking LLMs after each interaction to extract, summarize, or update memories. This design makes memory construction increasingly costly as conversations grow. Coarse summarization can reduce construction cost but risks discarding fine-grained contextual evidence, whereas larger retrieval contexts or multi-hop LLM reasoning shift the overhead to query time. We present LycheeMemory V2, an efficient long-term memory framework that replaces turn-level consolidation with semantic segment-level consolidation. Instead of consolidating every interaction, LycheeMemory batches multiple exchanges into segments and encodes each finalized segment into context-independent typed memory records. Segment-level batching lowers LLM encoding frequency, while semantic boundary detection helps preserve coherent event-level and temporal evidence compared with fixed-window batching. The resulting records are organized with lightweight structured indexes for query-planned evidence retrieval. Experiments using GPT-4.1-Mini show that LycheeMemory achieves state-of-the-art performance, reaching 89.22% on LoCoMo and 92.20% on LongMemEval-S. Compared with A-Mem, it reduces construction tokens by 86.0% on LoCoMo and 75.9% on LongMemEval-S without increasing query-time token usage. More broadly, our results suggest that the accuracy--cost trade-off of long-term agent memory depends not only on what information is retained, but also on the granularity at which it is consolidated.
- Abstract（参考訳）: LLMエージェントは、将来のタスクをサポートするために、過去のインタラクションからの情報を保存する必要がある。
既存のメモリシステムは、通常、メモリを抽出、要約、更新するために各インタラクション後にLSMを呼び出し、熱心に統合する。
この設計により、会話が大きくなるにつれてメモリ構築はますますコストがかかる。
粗い要約は、建設コストを削減できるが、より詳細な文脈証拠を捨てるリスクがある一方、より大きな検索コンテキストやマルチホップLCMは、オーバーヘッドをクエリ時間にシフトさせる。
本稿では,LycheeMemory V2を提案する。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。
すべてのインタラクションを統合する代わりに、LycheeMemoryは複数の交換をセグメントにバッチし、各最終セグメントをコンテキストに依存しない型付きメモリレコードにエンコードする。
セグメントレベルのバッチ処理はLLM符号化頻度を低下させるが、セマンティック境界検出は固定ウィンドウバッチよりも一貫性のある事象レベルと時間的エビデンスを維持するのに役立つ。
得られたレコードは、クエリ計画されたエビデンス検索のための軽量な構造化されたインデックスで構成される。
GPT-4.1-Miniを用いた実験では、LycheeMemoryは最先端のパフォーマンスを実現し、LoCoMoでは89.22%、LongMemEval-Sでは92.20%に達した。
A-Memと比較して、LoCoMoでは86.0%、LongMemEval-Sでは75.9%、クエリ時のトークン使用量は増加しない。
より広義には, 長期エージェントメモリの精度・コストトレードオフは, 保持する情報だけでなく, 集積した粒度にも依存すると考えられる。
関連論文リスト
- LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
軽量な長期記憶フレームワークであるLeanMemを提案する。
推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。
GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
論文 参考訳（メタデータ） (2026-08-04T10:59:49Z) - Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
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。
論文 参考訳（メタデータ） (2026-07-31T13:01:06Z) - 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) - MemRefine: LLM-Guided Compression for Long-Term Agent Memory [67.62350557461352]
大規模言語モデル (LLM) エージェントは、長期的相互作用を通じて操作されることがますます期待されている。
相互作用が蓄積されるにつれて、メモリストアはバウンドなしで成長し、ストレージコストを増大させ、最も有用な証拠を収集することによって検索を低下させる冗長なエントリを埋める。
これは特に、ハードメモリの予算を持つリソース制約のあるプラットフォームに制限されている。
本稿では,既存のメモリストアを固定予算内に保持し,将来的なインタラクションに有用な情報を保存するための,ストレージ予算のメモリ管理を提案する。
論文 参考訳（メタデータ） (2026-06-11T10:46:17Z) - 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) - Memori: A Persistent Memory Layer for Efficient, Context-Aware LLM Agents [0.0]
既存のアプローチはベンダーをロックインさせ、大量の生会話をプロンプトに注入することに頼っている。
本稿では,メモリをデータ構造問題として扱うLCM非依存の永続メモリ層であるMemoriを紹介する。
論文 参考訳（メタデータ） (2026-03-20T13:26:38Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - 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。