論文の概要: MegaMem: A Retrieval Solution for Ultra-Large Context Windows
- arxiv url: http://arxiv.org/abs/2608.22137v1
- Date: Sat, 22 Aug 2026 23:37:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.948805
- Title: MegaMem: A Retrieval Solution for Ultra-Large Context Windows
- Title（参考訳）: MegaMem:超大規模コンテキストWindowsの検索ソリューション
- Abstract要約: MegaMemは、ジェネレーションエビデンスからセマンティックアクセスを分離する、ソース解決されたデュアルビュー検索システムである。
我々は50万以上の異種企業文書を含むEnterpriseRAG-Bench上でMegaMemを評価する。
- 参考スコア（独自算出の注目度）: 6.296007829388766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern language models and agents increasingly require persistent memory for complete codebases, long interaction histories, and heterogeneous enterprise records. The key challenge is to keep hundreds of millions of tokens searchable while passing only bounded source evidence to the answer model. We introduce MegaMem, a source-resolved dual-view retrieval system that separates semantic access from generation evidence. Distilled records and detailed evidence are searched with original and transformed queries; every distilled hit resolves to an immutable source ID before reciprocal-rank fusion, deduplication, and cross-encoder reranking; and only the highest-ranked detailed evidence within a fixed budget supports generation. Post-answer attribution then identifies which loaded sources support the fixed answer. We evaluate MegaMem on EnterpriseRAG-Bench, which contains more than 500,000 heterogeneous enterprise documents and approximately 650M tokens. MegaMem improves Overall from 68.22 to 82.26 and reaches 86.50 Correctness. These results show that MegaMem supports ultra-large persistent memory while preserving strong answer accuracy under a bounded generation context. By separating searchable memory scale from answer-context size, MegaMem provides a practical path toward accurate retrieval over memories ranging from hundreds of millions to one billion tokens. Our code is available at https://github.com/ xfab-xinyuansong/MegaMem.git.
- Abstract（参考訳）: 現代の言語モデルとエージェントは、完全なコードベース、長い相互作用履歴、不均一なエンタープライズレコードに対して、永続的なメモリを必要としている。
重要な課題は、数億のトークンを検索可能にし、解答モデルに有界な情報源の証拠だけを渡すことだ。
本稿では,ジェネレーションエビデンスからセマンティックアクセスを分離するソース解決型デュアルビュー検索システムであるMegaMemを紹介する。
蒸留された記録と詳細な証拠は、元のクエリと変換されたクエリで検索される。全ての蒸留されたヒットは、相互のランクの融合、復号化、およびクロスエンコーダの再ランクの前に不変のソースIDに解決される。
回答後属性は、どのロードされたソースが固定された回答をサポートするかを特定する。
我々は、50万以上の異種企業文書と約6億5000万のトークンを含むEnterpriseRAG-Bench上でMegaMemを評価する。
MegaMemは68.22から82.26に改善され、86.50に達する。
これらの結果から,MegaMemは,境界生成コンテキスト下での強い応答精度を維持しながら,超大容量の永続メモリをサポートすることがわかった。
MegaMemは、検索可能なメモリスケールと応答コンテキストサイズを分離することにより、数十億から10億のトークンを正確に検索する実用的な方法を提供する。
私たちのコードはhttps://github.com/xfab-xinyuansong/MegaMem.git.comで利用可能です。
関連論文リスト
- 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) - Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents [3.6666917625778193]
Agent Zero Memory(エージェントゼロメモリ)は、長期記憶システムである。
ユーザの会話、ファイル、接続されたソースを3つの並列メモリシステムに消去する。
論文 参考訳（メタデータ） (2026-08-30T06:55:59Z) - Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。
既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。
我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文 参考訳（メタデータ） (2026-06-08T17:54:10Z) - memorywire: A Vendor-Neutral Wire Format for Agent Memory Operations [0.0]
長期的なストレージに入る前に、人間がレビューを書くことができるフレームワークであるMemorywireを紹介します。
5つのバックエンドコンポーネントによるオープンソースリファレンス実装について説明する。
16-scenario cross-adapter conformance suiteは、80細胞中68細胞を無故障で通過する。
論文 参考訳（メタデータ） (2026-05-31T10:18:56Z) - MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。
MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。
我々は27個のLVLMと7個のメモリ増強剤を評価した。
論文 参考訳（メタデータ） (2026-05-14T14:41:17Z) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。
視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
論文 参考訳（メタデータ） (2025-11-26T18:55:08Z) - M+: Extending MemoryLLM with Scalable Long-Term Memory [43.638130657981534]
メモリLLMに基づくメモリ拡張モデルであるM+を導入し、長期情報保持を大幅に強化する。
M+は長期記憶機構と協調学習した検索装置を統合し、テキスト生成中に関連情報を動的に検索する。
長いコンテキスト理解や知識保持タスクを含む様々なベンチマークでM+を評価する。
論文 参考訳（メタデータ） (2025-02-01T23:13:10Z) - Lift Yourself Up: Retrieval-augmented Text Generation with Self Memory [72.36736686941671]
本稿では,検索拡張生成モデルを改善するための新しいフレームワーク,Selfmemを提案する。
Selfmemは、検索拡張ジェネレータを反復的に使用して、無制限のメモリプールを生成し、メモリセレクタを使用して、続く生成ラウンドの1つの出力をメモリとして選択する。
我々は,3つの異なるテキスト生成タスクにおける自己メモの有効性を評価する。
論文 参考訳（メタデータ） (2023-05-03T21:40:54Z) - LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。
LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。
広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
論文 参考訳（メタデータ） (2022-04-15T06:11:25Z)
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。