論文の概要: MemFit: Efficient Long-Term Agentic Memory

• arxiv url: http://arxiv.org/abs/2610.00872v1
• Date: Thu, 01 Oct 2026 00:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.833412
• Title: MemFit: Efficient Long-Term Agentic Memory
• Title（参考訳）: MemFit: 長期間の効率的なエージェントメモリ
• Abstract要約: 本稿では,会話エージェントの長期記憶システムであるMemFitを提案する。 MemFit は各ターンの動詞を、ほぼ瞬時に LLM を挿入せずに追加のみのストアに格納する。 MemFitは、メモリ構築時間と数倍のコストを削減しつつ、最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 7.614138458711612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term memory systems for large language models (LLMs) have gained popularity for extending reasoning capabilities across applications. Current memory systems rely on LLM agents to organize and consolidate memory, resulting in costly, inefficient write operations. To address this limitation, we propose MemFit, a long-term memory system for conversational agents that reduces the cost and latency of memory operations. Unlike existing systems that rely on expensive LLM calls for memory construction or discard surface-level details through compression, MemFit stores each turn verbatim in an append-only store with near-instantaneous, LLM-free insertion, indexing turns with segment summaries rather than replacing them. Additionally, MemFit uses an LLM-free, multi-path retrieval strategy that combines lexical and semantic signals with cross-encoder reranking over caption- augmented episodes in both textual and multimodal settings. Empirical results on three widely used benchmarks, LoCoMo, MemGallery, and LongMemEval-S, show that MemFit achieves state-of-the-art performance while reducing memory construction time and cost several-fold, providing a scalable and efficient solution for persistent agentic memory.
• Abstract（参考訳）: 大規模言語モデル(LLM)の長期記憶システムは、アプリケーション全体にわたって推論能力を拡張することで人気を集めている。 現在のメモリシステムは、メモリの整理と統合のためにLLMエージェントに依存しており、結果としてコストがかかり、非効率な書き込み操作となる。 この制限に対処するため,対話エージェントの長期メモリシステムであるMemFitを提案する。 高価なLCMコールによるメモリ構築や圧縮による表面レベルの詳細の破棄といった既存のシステムとは異なり、MemFit は各ターンの冗長性をほぼ瞬時に LLM を挿入する追加のみのストアに格納する。 さらに、MemFitはLLMフリーでマルチパス検索戦略を採用しており、語彙信号と意味信号を組み合わせて、テキストとマルチモーダルの両方の設定で、キャプションに付加されたエピソードを並べ替えるクロスエンコーダを使用する。 LoCoMo、MemGallery、LongMemEval-Sの3つの広く使われているベンチマークの実証結果から、MemFitはメモリ構築時間と数倍のコストを削減し、永続的なエージェントメモリのためのスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents [16.625864201773343]
  RecMemは、受信するインタラクションをサブ意識のメモリ層に格納し、軽量な埋め込みモデルを使用してエンコードする。 実験により、RecMemは3つのSOTAメモリシステムのメモリ構築トークンコストを最大87%削減し、精度を上回ります。
  論文  参考訳（メタデータ） (2026-05-15T15:17:36Z)
• Lightweight LLM Agent Memory with Small Language Models [27.343533336242913]
  LightMemは、Small Language Models (SLM)によって駆動されるより優れたエージェントメモリのための軽量メモリシステムである。 我々は,記憶を即時会話のための短期記憶(STM),再利用可能な対話要約のための中期記憶(MTM),統合された知識のための長期記憶(LTM)に整理する。 実験の結果,LoCoMoではF1が平均2.5向上し,より効率的で中央値の低いレイテンシ(83ms検索,581msエンドツーエンド)が得られた。
  論文  参考訳（メタデータ） (2026-04-09T04:51:07Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• MemLoRA: Distilling Expert Adapters for On-Device Memory Systems [71.32550994522738]
  メモリ拡張大言語モデル(LLM)は対話中に顕著な一貫性を示す。 MemLoRAは、小さなVision-Language Modelを統合する新しいメモリシステムである。 VLM統合MemLoRA-Vはキャプションベースのアプローチで大幅に改善されている。
  論文  参考訳（メタデータ） (2025-12-04T12:56:30Z)
• LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
  我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。 人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。 GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
  論文  参考訳（メタデータ） (2025-10-21T17:58:17Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。