論文の概要: HyMem: Hierarchical Context Management for Long-Horizon Agents via Information Isolation

• arxiv url: http://arxiv.org/abs/2608.15703v1
• Date: Sun, 16 Aug 2026 12:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.39694
• Title: HyMem: Hierarchical Context Management for Long-Horizon Agents via Information Isolation
• Title（参考訳）: HyMem:情報分離による長距離エージェントの階層的コンテキスト管理
• Abstract要約: 大規模言語モデル(LLM)エージェントは、コンテキストが時間とともに散らかっていくため、複雑で長期のタスクではパフォーマンスが悪くなることが多い。 エージェントのコンテキストを異なる機能層に明確に分離する階層的なフレームワークであるHyMemを提案する。 GAIAとBrowsecomp+の実験では、HyMemの平均パス@1スコアは66.7%、61.3%であり、それぞれ6.1ポイントと4.7ポイントを上回っている。
• 参考スコア（独自算出の注目度）: 16.90436541017555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents often perform poorly on complex, long-horizon tasks because their context becomes increasingly cluttered over time. As interactions accumulate, detailed execution traces and intermediate outputs dominate the context, making it difficult for the model to retain and use high-level planning information. Most existing methods address this issue through compression or retrieval applied to a single, flat context, which does not clearly separate different types of context information and often leads to degraded reasoning. To address this challenge, we propose HyMem, a hierarchical framework that explicitly separates the agent's context into distinct functional layers. HyMem organizes context by function to separate high-level planning from execution and complex analysis. Its isolated reasoning module handles complex subtasks without adding intermediate reasoning traces to the persistent planning context, while its memory management module preserves task progress across context refreshes through structured summaries. These components reduce redundant context accumulation, retain task-critical information, and support coherent long-horizon reasoning within a limited context window. Experiments on GAIA and Browsecomp-plus show that, with DeepSeek-V4, HyMem achieves average Pass@1 scores of 66.7% and 61.3%, outperforming the strongest baseline by 6.1 and 4.7 percentage points, respectively. Further analysis indicates that HyMem effectively controls the growth of the reasoning context, allowing the model to maintain focus and accuracy across complex, long-horizon tasks.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、コンテキストが時間とともに散らかっていくため、複雑で長期のタスクではパフォーマンスが悪くなることが多い。 相互作用が蓄積されると、詳細な実行トレースと中間出力がコンテキストを支配し、モデルが高レベルの計画情報を保持および使用することが困難になる。 既存のほとんどのメソッドは、単一の平らなコンテキストに適用された圧縮や検索を通じてこの問題に対処するが、これは明確に異なる種類のコンテキスト情報を分離せず、しばしば劣化した推論につながる。 この課題に対処するために、エージェントのコンテキストを異なる機能層に明確に分離する階層的なフレームワークであるHyMemを提案する。 HyMemはコンテキストを関数単位で整理し、実行と複雑な分析からハイレベルなプランニングを分離する。 その分離された推論モジュールは、永続的な計画コンテキストに中間的な推論トレースを追加することなく複雑なサブタスクを処理する。 これらのコンポーネントは、冗長なコンテキストの蓄積を減らし、タスククリティカルな情報を保持し、限られたコンテキストウィンドウ内でコヒーレントなロングホライゾン推論をサポートする。 GAIAとBrowsecomp-plusの実験では、DeepSeek-V4では平均パス@1スコアが66.7%、61.3%となり、それぞれ6.1ポイントと4.7%を上回った。 さらに分析した結果、HyMemは推論コンテキストの成長を効果的に制御し、複雑な長期タスクにまたがる焦点と精度をモデルが維持できることが示唆された。

関連論文リスト

• ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL [30.70875568757697]
  ロングホライゾンのエージェントタスクは、多ターンインタラクションをまたいだ分散情報を反復的に取得、統合、維持するために大きな言語モデルを必要とする。 近年のプロアクティブなコンテキスト管理手法では、モデルが独自の作業コンテキストを特別なツールで編集できるようになっている。 本稿では,長期エージェント推論のための能動的コンテキスト管理フレームワークであるContextPilotを紹介する。
  論文  参考訳（メタデータ） (2026-08-28T16:01:08Z)
• ACM: Agentic Context Management for Long Horizon Tasks [27.337726990282928]
  Agentic Context Management (ACM) は、エージェントに汎用的なコンテキスト編集ツールを提供するフレームワークである。 短期記憶と長期記憶の相互作用にインスパイアされたエージェントは、いつそのコンテキストを圧縮するかを自律的に決定する。
  論文  参考訳（メタデータ） (2026-07-26T19:19:24Z)
• Organize then Retrieve: Hierarchical Memory Navigation for Efficient Agents [29.28371047415946]
  HORMAは、大規模な言語モデルのための階層的なオーガナイズ・アンド・レトリーブメモリエージェントである。 ワーキングメモリを構造化メモリ構築とナビゲーションベースの検索の2つのステージに分割する。 優れた効率性とパフォーマンスのトレードオフを一貫して達成し、目に見えないタスクに効果的に一般化する。
  論文  参考訳（メタデータ） (2026-06-10T05:49:14Z)
• LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents [63.75550089045995]
  ロングホライズン検索エージェントは、理由として急速に成長する作業状況を管理し、ツールを呼び、情報を観察しなければならない。 エージェントの軌道の一部は、タスクに対する現在の関連性に応じて、異なるレベルで細部まで維持される。 我々は10kの合成軌道上にQwen3-30B-A3Bを微調整した長距離探索エージェントであるLongSeekerを開発した。
  論文  参考訳（メタデータ） (2026-05-06T17:54:16Z)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
  我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。 このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
  論文  参考訳（メタデータ） (2026-01-28T16:05:44Z)
• 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)
• GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory [59.869552603264076]
  GCAgent(Global-Context-Aware Agent)は,広義の長ビデオ理解を実現する新しいフレームワークである。 これは、イベントとその因果関係と時間的関係を、簡潔で組織化されたコンテキストに構造的にモデル化するものです。 実験により、GCAgentは、強力なMLLMベースライン上でのVideo-MME Long分割において、最大23.5%の精度向上を実現した。
  論文  参考訳（メタデータ） (2025-11-15T04:29:00Z)
• Scaling Long-Horizon LLM Agent via Context-Folding [46.685552398338295]
  エージェントが作業コンテキストを積極的に管理することを可能にするフレームワークであるContext-Foldingを紹介します。 エージェントは、サブトラックに手続き的に分岐してサブタスクを処理し、完了時に折り畳み、結果の簡潔な要約を保持しながら中間ステップを崩壊させる。
  論文  参考訳（メタデータ） (2025-10-13T22:00:58Z)

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。