論文の概要: MemCodex: Self-Programming Hierarchical Memory for Language Agents

• arxiv url: http://arxiv.org/abs/2609.39765v1
• Date: Wed, 30 Sep 2026 13:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.862352
• Title: MemCodex: Self-Programming Hierarchical Memory for Language Agents
• Title（参考訳）: MemCodex: 言語エージェントのための自己表現型階層メモリ
• Abstract要約: MemCodexは、経験を要約、リレーショナル知識、再利用可能なスキル、潜在メモリの実行可能なメモリプログラムに整理する。 MemCodexは、最強のアダプティブメモリベースラインと比較して平均タスク成功率を10.1%向上させる。
• 参考スコア（独自算出の注目度）: 30.708904907791318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent memory faces heterogeneous access needs: a single-hop question may require one piece of evidence, whereas a multi-hop question must combine evidence from multiple sources. Predefined memory workflows cannot adapt to these varying needs. Recent adaptive methods search or learn over memory components and their compositions, but the design space itself remains predefined. We introduce MemCodex, a self-evolving hierarchical memory system that organizes experience into executable memory programs for summaries, relational knowledge, reusable skills, and latent memory. Open-ended program evolution searches the open design space of layer programs by rewriting how each layer is constructed, indexed, retrieved, and routed, thereby adapting both within-layer implementations and cross-layer composition. At query time, reads traverse the hierarchy from coarse to fine and stop once sufficient evidence is found, descending to the original history when needed. We further develop MemArena, a unified runtime that places heterogeneous data and memory systems behind a common interface. MemCodex improves average task success by 10.1% relative to the strongest adaptive-memory baseline, while using 3.4x fewer context tokens and achieving 2.1x faster inference.
• Abstract（参考訳）: エージェントメモリは異種アクセス要求に直面している: シングルホップの質問は1つの証拠を必要とするが、マルチホップの質問は複数の情報源からの証拠を組み合わせる必要がある。 定義されたメモリワークフローは、これらの様々なニーズに適応できない。 最近の適応的手法は、メモリコンポーネントとその構成を探索または学習するが、設計空間自体は未定義のままである。 本稿では,要約,リレーショナル知識,再利用可能なスキル,潜伏記憶のための実行可能メモリプログラムに経験を整理する,自己進化型階層型メモリシステムであるMemCodexを紹介する。 オープンエンドプログラム進化は、各層がどのように構築され、インデックス化され、検索され、ルーティングされるかを書き直して、層内実装と層間合成の両方を適応させることによって、レイヤープログラムのオープンデザイン空間を探索する。 クエリ時に、読み出しは階層を粗いものから細いものへと横切り、必要なときに元の履歴に従って十分な証拠が見つかると停止する。 我々はさらにMemArenaを開発した。MemArenaは統一ランタイムで、異種データとメモリシステムを共通のインターフェースの裏に配置する。 MemCodexは、最強のアダプティブメモリベースラインと比較して平均タスク成功率を10.1%改善し、3.4倍のコンテキストトークンを使用し、2.1倍高速な推論を実現している。

関連論文リスト

• The Evolution of Attention in Large Language Models: Mechanisms, Trade-offs, and Emerging Trends [51.17628561637134]
  自己アテンションは、LLMにコンテキストへの細粒度でクエリ依存のアクセスを与える。 本調査は, モデル内コンテクストメモリとしての開発状況を解析する。
  論文  参考訳（メタデータ） (2026-09-30T13:03:01Z)
• GenMem: Generative Symbolic Memory for Self-Evolving Harness [32.295019894928366]
  本稿では、メモリ管理を生成的シンボリックアドレッシングとして再構成するGenMemを提案する。 GenMemはマルチエージェントハーネス内にMemRetrieverとMemEvolverを結合する。 ALFWorld、WebShop、マルチホップQA、医学的推論、そして深い研究にまたがる実験は、強力なメモリ拡張ベースラインに対してGenMemを評価する。
  論文  参考訳（メタデータ） (2026-09-28T08:50:44Z)
• 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)
• 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)
• M$^\star$: Every Task Deserves Its Own Memory Harness [28.900347612231513]
  大規模言語モデルエージェントは、拡張された相互作用の間、知識を蓄積し再利用するために、特別なメモリシステムに依存している。 最近のアーキテクチャでは、会話のセマンティック検索やコーディングに再利用されたスキルなど、特定のドメインに適した固定メモリ設計を採用するのが一般的である。 プログラムの進化を通じてタスク最適化メモリハーネスを自動的に検出する手法であるM$star$を紹介する。
  論文  参考訳（メタデータ） (2026-04-10T03:22:26Z)
• 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)
• LMEB: Long-horizon Memory Embedding Benchmark [49.57481835614834]
  埋め込みモデルの能力を評価する包括的なフレームワークであるLong-Horizon Memory Embedding Benchmark (LMEB)を紹介する。 LMEBは4つのメモリタイプにまたがる22のデータセットと193のゼロショット検索タスクにまたがる。 我々は、数億から100億のパラメータを含む、広く使われている15の埋め込みモデルを評価した。
  論文  参考訳（メタデータ） (2026-03-13T02:09:57Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)

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。