論文の概要: Retrieved but Not Delivered: Multimodal Memory Delivery for Long-Term Agents

• arxiv url: http://arxiv.org/abs/2609.32590v1
• Date: Sat, 26 Sep 2026 13:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 05:58:40.079869
• Title: Retrieved but Not Delivered: Multimodal Memory Delivery for Long-Term Agents
• Title（参考訳）: 回収されるが配達されない: 長期エージェントのためのマルチモーダルメモリ配信
• Abstract要約: DeliverMemは3つの決定としてデリバリをインスタンス化する。 両方のMemLensバックボーンのあらゆる設定でDMV-Bench自身の最強の手法を打ち負かす。
• 参考スコア（独自算出の注目度）: 5.096749195641285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Work on memory for multimodal agents optimizes what is written, updated and retrieved. Between retrieval and the answer, however, is a stage that multimodal memory evaluations do not isolate: what of the retrieved memory reaches the model, and in what form. We call it delivery, and a controlled decomposition on MemLens locates the remaining room there. With the retrieved evidence set exactly fixed, delivering the original pixels instead of withholding them raises accuracy by 13.87 points on an 8B backbone, whereas making retrieval perfect on those same messages improves it by 2.31. Delivery is the larger term on all three MemLens backbones and grows with backbone strength; retrieval grows too, without closing the gap. We propose DeliverMem, an instantiation of delivery as three decisions: keep the original modality, give each item a readable identity, and state when it was seen, with a retrieval-side adapter for the one property delivery cannot supply. Each is measured against a delivery-matched control that alters only its own variable. DeliverMem leads the strongest published memory agent on MemLens at all four context lengths, and beats DMV-Bench's own strongest method at every setting on both backbones. On MemLens it does this on a tenth to a seventieth of the input. Each decision helps only where the question lacks what it supplies, and is null elsewhere. A single fixed configuration nonetheless leads both benchmarks, without training any component or modifying the stored records. Project page: https://avalon-s.github.io/DeliverMem/
• Abstract（参考訳）: マルチモーダルエージェントのメモリ処理は、書き込み、更新、検索を最適化する。 しかし、検索と回答の間には、マルチモーダルメモリ評価が分離されないステージがある。 私たちはそれをデリバリと呼び、コントロールされたMemLensの分解が、残りの部屋を見つけます。 取得された証拠は正確に固定され、元のピクセルは8Bバックボーンの13.87ポイントの精度が向上する一方、同じメッセージで完全な検索を行うことで2.31ポイントの精度が向上する。 デリバリーは3つのMemLensのバックボーン全体においてより大きな用語であり、バックボーンの強度で成長する。 DeliverMemは、元のモダリティを保ち、各アイテムに読み取り可能なIDを与え、それを見た状態を与えるという3つの決定としてデリバリのインスタンス化を提案し、一つのプロパティ配信のための検索側アダプタは供給できない。 それぞれが、独自の変数だけを変更するデリバリマッチングコントロールに対して測定される。 DeliverMemはMemLens上で4つのコンテキスト長で最強のメモリエージェントをリードし、両方のバックボーンのすべての設定でDMV-Bench自身の最強のメソッドを打ち負かす。 MemLensでは、入力の10分の1から70分の1でこれを行う。 それぞれの決定は、質問に何が提供されないか、他の場所ではnullであるかのみに役立つ。 それでも、コンポーネントをトレーニングしたり、格納されたレコードを変更したりすることなく、単一の固定構成が両方のベンチマークをリードする。 プロジェクトページ:https://avalon-s.github.io/DeliverMem/

関連論文リスト

• CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
  本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。 textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-03T06:04:51Z)
• 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)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• 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)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory [3.263386002412657]
  長時間稼働するAIエージェントは永続的なメモリを必要とする。 現在のエージェントメモリシステムとデータベースパラダイムはメモリを記憶として扱う。 私たちのビジョンでは、長期エージェントメモリは新しいデータ管理ワークロードです。
  論文  参考訳（メタデータ） (2026-05-25T18:22:42Z)
• 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)

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。