論文の概要: Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents
- arxiv url: http://arxiv.org/abs/2610.02002v1
- Date: Thu, 01 Oct 2026 16:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.288833
- Title: Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents
- Title（参考訳）: Mem++: 長期的なLLMエージェントのための非破壊メモリ
- Abstract要約: 書き込み時間蒸留から読み取り時間選択へ移行する非破壊メモリフレームワークであるMem++を提案する。
Mem++はすべてのドキュメントを日付と著者で格納し、書き込み時に生成モデルを呼び出すことはない。
Mem++は2つの応答モデルで8.0から13.1ポイントのメモリベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 0.03608221777510314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Model (LLM) agents now take part in organizational work, where many authors record decisions across documents over months. Because a revised decision arrives as a new document rather than an edit, answering a question requires knowing which version held at a given time. However, most memory systems compress the record at write time. By distilling each document into facts, notes or graph edges, these methods fix what can be answered before any question is asked. To address this, we propose Mem++, a non-destructive memory framework shifting from write-time distillation to read-time selection. Mem++ stores every document whole with its date and author, and it calls no generative model at write time. At read time, it retrieves only documents dated up to the time a question asks about and fuses lexical and semantic rankings. Unlike systems that overwrite older versions, Mem++ keeps them and leaves the choice to the answering model. Evaluations on the organizational benchmark OrgMemBench demonstrate that Mem++ surpasses the strongest memory system baseline by 8.0 to 13.1 points across two answering models. With gpt-4.1-mini, it also achieves the best overall score, 2.6 points above RAG. In addition, Mem++ achieves the best average LLM-judge score on LoCoMo and ranks second on LongMemEval-S, behind only its entity-graph variant. Code for benchmark evaluation is available at https://github.com/AIDAChip-Inc/mem-plus-plus.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントが組織的な作業に参加するようになった。
修正された決定は編集ではなく新しい文書として届くので、質問に答えるには、与えられた時点でどのバージョンが保持されているかを知る必要がある。
しかし、ほとんどのメモリシステムは書き込み時にレコードを圧縮する。
それぞれの文書を事実、ノート、グラフのエッジに蒸留することで、質問の前に答えられるものを修正できる。
そこで本稿では, 書き込み時間蒸留から読み取り時間選択に移行する非破壊メモリフレームワークであるMem++を提案する。
Mem++はすべてのドキュメントを日付と著者で格納し、書き込み時に生成モデルを呼び出すことはない。
読み込み時には、質問が尋ねられるまでの文書のみを検索し、語彙と意味のランキングを融合する。
古いバージョンを上書きするシステムとは異なり、Mem++はそれらを保ち、答えモデルに選択肢を残している。
組織ベンチマークOrgMemBenchの評価によると、Mem++は2つの回答モデルで8.0から13.1ポイントのメモリベースラインを超えた。
gpt-4.1-miniでは、RAGより2.6ポイント高いスコアを獲得している。
加えて、Mem++ は LoCoMo 上での LLM-judge スコアで最高であり、エンティティグラフの変種に次いで LongMemEval-S で2位である。
ベンチマーク評価のコードはhttps://github.com/AIDAChip-Inc/mem-plus-plusで公開されている。
関連論文リスト
- MemLife: Curating and Reasoning over Long-Term Egocentric Video Memories [49.06274199467918]
本稿では,マルチモーダルメモリシステムであるMemLifeについて紹介する。
トレーニングやクェリタイムのビデオアクセスなしで、MemLifeは4つのロングホライゾンベンチマークで4.6～12.0%のトレーニングなしベースラインを改善する。
MemOptは、様々なビデオや質問に対してMemLifeを2.7～5.0%改善し、ライターや読者のバックボーンやメモリシステムに一般化している。
論文 参考訳（メタデータ） (2026-09-30T17:11:33Z) - When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems [6.12907469209873]
エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。
エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
論文 参考訳（メタデータ） (2026-08-27T09:51:18Z) - 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) - AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。
AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
論文 参考訳（メタデータ） (2026-06-19T06:35:52Z) - 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) - MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing [33.94614583313314]
本稿では,エージェントメモリを書き込み効率のよい時間的データ管理問題として再構成するメモリフレームワークであるMemForestを紹介する。
MemForestは、並列チャンク抽出によってシーケンシャルなボトルネックを破り、メモリ構成を並列で独立した操作に分離する。
We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo。
論文 参考訳（メタデータ） (2026-05-16T13:11:47Z) - DimMem: Dimensional Structuring for Efficient Long-Term Agent Memory [9.059024668312434]
DimMemは、各メモリを時間、場所、理由、目的、キーワードなどの明示的なフィールドを持つアトミック、型付き、自己完結したユニットとして表現する。
LoCoMo-10 と LongMemEval-S 全体で、DimMem は textbf81.43% と textbf78.20% の総合精度をそれぞれ達成している。
論文 参考訳（メタデータ） (2026-05-15T09:20:31Z) - 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) - Augmenting Language Models with Long-Term Memory [142.04940250657637]
既存の大規模言語モデル(LLM)では、入力長制限のため、固定サイズの入力しかできない。
本稿では,Long-Term Memory (LongMem) を付加した言語モデルを提案する。
論文 参考訳（メタデータ） (2023-06-12T15:13:39Z) - Hierarchical Memory Matching Network for Video Object Segmentation [38.24999776705497]
本稿では,時間的スムーズさを活用しながら,複数スケールのメモリ実行を可能にする2つの高度なメモリ読み取りモジュールを提案する。
まず,非局所的な高密度メモリ読み出しを代替するガイド付きメモリマッチングモジュールを提案する。
階層型メモリマッチング方式を導入し、大小のメモリを粗大のメモリで読み取るトップkガイド型メモリマッチングモジュールを提案する。
論文 参考訳（メタデータ） (2021-09-23T14:36:43Z)
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。