Fugu-MT 論文翻訳(概要): Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing

論文の概要: Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing

arxiv url: http://arxiv.org/abs/2609.04915v1
Date: Fri, 04 Sep 2026 09:19:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.993717
Title: Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing
Title（参考訳）: オンラインMax-MemberクラスタリングとAtom-AwareパッケージングによるコンパクトメモリLDMエージェント
Abstract要約: 我々は、強力な品質のParetoポイントのために設計されたオンラインクラスタ化されたメモリパイプラインであるbfRSM-fullを紹介する。主要なコンパクトメモリベンチマークであるAMA-Benchでは、RSM-fullがフルコンテキスト品質の83%ドル、トークンコストの32%を4ドルという予算で達成しています。厳格な予算の下では、コンパクトメモリのパフォーマンスは、主にストリーミングメモリのマージ方法と、検索されたコンテンツの組み立て方法によって駆動されます。
参考スコア（独自算出の注目度）: 10.952145049465424
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many long-horizon LLM deployments face tight prompt budgets: latency, cost, and context limits make full-context prompting impractical as interaction length grows. The key question is then not raw recall alone, but which memory design gives the best quality--token trade-off in the compact-memory regime. We present \textbf{RSM-full}, an online clustered-memory pipeline designed for a strong quality--token Pareto point. RSM-full combines two design choices: a cosine-gated \emph{max-member merge} write rule and an atom-aware grouped context packer. On AMA-Bench, our primary compact-memory benchmark, it reaches $83%$ of Full-Context quality at $32%$ of the token cost at a $4$k budget; under four-seed averaging it beats the closest streaming-clustered baseline (Online K-Means) by $+3.5$--$6.0$,pp ($p{<}.001$) across the whole ${\sim}2.6$k--${\sim}5$k regime. Three-seed ablations show most of this gain comes from the merge rule ($+5.7$,pp over Online K-Means and matched-$τ$ DP-means) and the grouped packer ($+5.0$,pp over flat concatenation). The pattern reproduces on RealMem, an independent long-horizon persona-memory benchmark: RSM-full improves on Budget-RAG ($+0.69$,pp, $p{=}.006$), is on par with BM25-RAG (paired $Δ{=}{+}0.27$,pp, $p{=}.47$; we do \emph{not} claim BM25 equivalence in the equivalence-test sense), and significantly outperforms Streaming-Proto ($+2.97$,pp) and the closest reproduced 2025 agentic-memory baseline A-MEM ($+1.65$,pp, $p{<}.001$). Across benchmarks the message is consistent: under tight budgets, compact-memory performance is driven mainly by how streaming memories are merged and how retrieved content is assembled. Overall, RSM-full is most useful when answeroughly $2k$--$5k$ prompt tokens, where itdefines a strong compact-memory Pareto point; higher-token baselines remain stronger outside this regime.
Abstract（参考訳）: レイテンシ、コスト、コンテキスト制限は、インタラクションの長さが増加するにつれて、フルコンテキストを非現実的に促します。重要な疑問は、生のリコールのみではなく、どのメモリ設計が最高の品質を提供するかである。本稿では,高品質なParetoポイントを設計したオンラインクラスタメモリパイプラインであるtextbf{RSM-full}について紹介する。 RSM-fullは、コサイン付き \emph{max-member merge} 書き込みルールと、原子を意識したグループ化されたコンテキストパッカーの2つの設計選択を組み合わせている。私たちの主要なコンパクトメモリベンチマークであるAMA-Benchでは、トークンコストの32%のフルコンテキスト品質を$4$kの予算で83%まで到達し、平均4シード平均で$+3.5$-6.0$,pp$p{<}.001$)のストリーミングクラスタベースライン(Online K-Means)を$$$2.6$k-${\sim}5$kの体制で破る。 3列のアブリゲーションは、オンラインK平均(+5.7$,pp)と一致(-τ$ DP-means)のマージルール(+5.0$,pp)と、フラットコンカニオン(flat concatenation)のグルーピングパッカー(+5.0$,pp)から得られる。 RSM-full improves on Budget-RAG ($+0.69$,pp, $p{=}.006$), is on BM25-RAG (paired $Δ{=}{+}0.27$,pp, $p{=}.47$; we do \emph{not} claim BM25 equivalence in the equivalence-test sense), and significantly outforms Streaming-Proto ($+2.97$,pp) and the mostred 2025 agentic-centric baseline A-MEM ($+1.65$,pp, $p{<001$)。厳格な予算の下では、コンパクトメモリのパフォーマンスは、主にストリーミングメモリのマージ方法と、検索されたコンテンツの組み立て方法によって駆動されます。全体として、RSM-fullは、強いコンパクトメモリのParetoポイントを定義するプロンプトトークンが2k$--5k$である場合に最も有用である。

論文の概要: Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing

関連論文リスト