論文の概要: FlowState: Execution State as Memory for Long-Horizon LLM Agents

• arxiv url: http://arxiv.org/abs/2609.34565v1
• Date: Mon, 28 Sep 2026 08:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:19:53.059299
• Title: FlowState: Execution State as Memory for Long-Horizon LLM Agents
• Title（参考訳）: FlowState: 長期LDMエージェントのメモリとしての実行状態
• Abstract要約: FlowStateは、実行状態をメモリとして扱い、リクエスト間で保持および再考することができる。 現在の意思決定と過去の情報の再利用を一体化する。 MemoryArenaの平均成功率と平均パスレートをそれぞれ$3$-Benchで4.55ポイント、13.95ポイント改善する。
• 参考スコア（独自算出の注目度）: 22.16425158065581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon tasks require LLM agents to continually draw on information from earlier interactions. However, retaining the full history increases context costs, while compressing it risks losing details needed later, and the relevance of historical information often becomes apparent as the task progresses. To address these challenges, we propose FlowState, which treats execution state as memory that can be retained and revisited across requests, unifying current decision-making with the reuse of historical information. FlowState preserves semantically typed state nodes, their relations, and references to raw tool observations, separating persistent retention from on-demand access. Within a single execution loop, Incremental State Update (ISU) maintains the current state based on new inputs and feedback, while Progressive State Access (PSA) progressively reveals historical states and supporting evidence as needed during reasoning. Together, these mechanisms enable agents to reassess prior decisions in light of new information and guide subsequent actions. Compared with a full-context baseline using the same DeepSeek-V4-Flash model, FlowState improves the average success rate on MemoryArena and the average pass rate on $τ^3$-Bench by 4.55 and 13.95 percentage points, respectively, while reducing total token consumption by 43.2% and 40.6%. These results demonstrate the performance and efficiency advantages of FlowState on long-horizon tasks.
• Abstract（参考訳）: ロングホライズンタスクは、LLMエージェントが以前のインタラクションから継続的に情報を引き出す必要がある。 しかし、履歴の完全保持はコンテキストコストを増大させ、圧縮すると詳細が後で失われる危険性があり、タスクが進行するにつれて、歴史情報の関連性がしばしば明らかになる。 これらの課題に対処するために、我々はFlowStateを提案する。これは実行状態をメモリとして扱い、リクエスト間で保持および再考が可能であり、過去の情報の再利用と現在の意思決定を統一する。 FlowStateは、セマンティックに型付けされた状態ノード、それらの関係、および生ツールの観察への参照を保持し、オンデマンドアクセスから永続的保持を分離する。 インクリメンタル・ステート・アップデート(ISU)は、新しい入力とフィードバックに基づいて現在の状態を維持し、プログレッシブ・ステート・アクセス(PSA)は徐々に歴史的状態を明らかにし、推論時に必要となる証拠をサポートする。 これらのメカニズムにより、エージェントは新しい情報に基づいて事前決定を再評価し、その後のアクションを導くことができる。 同じDeepSeek-V4-Flashモデルを使ったフルコンテキストベースラインと比較して、FlowStateはMemoryArenaの平均成功率と平均パスレートをそれぞれ4.55ポイント、13.95ポイント改善し、トークン総消費量を43.2%、40.6%削減した。 これらの結果は、長期タスクにおけるFlowStateの性能と効率性を示す。

関連論文リスト

• MemBodied: Recurrent Associative Memory for Vision-Language-Action Models [49.19321968091714]
  2つの相補的成分を持つ固定サイズのエピソードメモリであるMemBodiedを紹介する。 RMBenchの5つのタスクでメモリを必要とするが、MemBodiedはステートレスポリシーの平均成功率は7.81ドルである。
  論文  参考訳（メタデータ） (2026-09-23T15:19:19Z)
• StateComp: Learning When to Compress History in Long Horizon Agents [55.84813053778976]
  本研究では,現在エージェントの状態に応じて過去のインタラクションを安全に圧縮できるフレームワークであるState Conditioned Compression(StateComp)を提案する。 WorkBenchBuddyの実験では、StateCompはタスク性能を維持しながら総エージェントと要約トークンを52.27%削減し、表現抽出において12.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2026-09-23T03:34:08Z)
• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• Can Agent Memory Systems Track Evolving State? [19.24558136812374]
  我々は、効果的なメモリシステムは世界の進化状態を追跡する必要があると主張している。 事実、制約、決定が長い相互作用によって修正されるため、答えは現在の状態を反映し、過小評価されるものではない。 この機能をステートトラッキングとして定義し、StateMemBenchでインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-20T05:41:23Z)
• StreamFlow: Dynamic Memory Flows for Streaming Video Understanding [65.10324190760602]
  StreamFlowは、歴史的視覚情報への動的なオンデマンドアクセスを可能にする効率的なビジュアルメモリフレームワークである。 最先端のストリーミングビデオ理解性能を達成し、StreamingBenchの全体的な精度は67.73%に達した。 バニラ設定とは対照的に、視覚的注意スコア(VAS)を59.1%改善し、それぞれエンドツーエンドのレイテンシとピークメモリを50.4%、21.1%削減した。
  論文  参考訳（メタデータ） (2026-08-11T14:19:03Z)
• LiveMem: Maintaining Memory State Continuity in Long-Running LLM Inference [6.324239367257621]
  長期にわたるアシスタントとエージェントは計算ストリームを消費し、最終的にコンテキストを上回る。 既存のコンテキスト保持、要約、検索は、選択した履歴へのアクセスを保存するが、作業コンテキストが変化すると、ライフサイクル全体にわたって永続的な状態を提供しない。 そこで本研究では,事前学習したフルアテンション LLM をメモリ状態で拡張し,ライフサイクル全体にわたって履歴情報を保存する,固有のメモリ方式 textbfLiveMem を提案する。
  論文  参考訳（メタデータ） (2026-08-03T17:12:05Z)
• ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation [9.820724216368543]
  ChainVLAは、連続したクエリを共同実行状態にチェーンするポリシーである。 Progress Contextは、リカレントなWorking Stateとスパースなイベントメモリを組み合わせることで、観察から派生したタスクの進捗を実行する。 Motion Tailは、前回の予測が実行されない継続を状態構築と行動生成に供給する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:20Z)
• A New Bandit Setting Balancing Information from State Evolution and Corrupted Context [52.67844649650687]
  本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。 任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。 本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-16T14:35:37Z)

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。