論文の概要: MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents

• arxiv url: http://arxiv.org/abs/2610.06830v1
• Date: Mon, 05 Oct 2026 17:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:19:46.936039
• Title: MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents
• Title（参考訳）: MemPilot: LLMエージェントのためのオンデマンドマルチモーダルメモリキュレーションのオーケストレーション
• Abstract要約: textbfMemPilotは、オンデマンドメモリキュレーションを異なるパフォーマンス-コスト-レイテンシの好みでオーケストレーションするフレキシブルなフレームワークである。 具体的には、強化学習による多段階LCMポリシーを最適化し、クエリ非依存メモリからの検索と、生のマルチモーダル履歴のクエリ固有のキュレーションの委譲を反復的に選択する。
• 参考スコア（独自算出の注目度）: 28.551362803452026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory has become integral to the LLM agent ecosystem, supporting information retention and reuse across interactions. However, most existing agent memory systems construct memory in a query-agnostic manner, which can incur unnecessary preprocessing cost and discard details that later prove essential. Recent studies have begun shifting memory processing toward runtime adaptation, but typically specialize in particular operations or fixed processing schemes, leaving flexible control over performance, cost, and latency largely underexplored. To address this challenge, we present \textbf{MemPilot}, a flexible framework that orchestrates on-demand memory curation under different performance--cost--latency preferences. Specifically, we optimize a multi-step LLM policy via reinforcement learning to iteratively choose between retrieving from query-agnostic memory and delegating query-specific curation of raw multimodal history to heterogeneous LLMs and VLMs. The policy jointly controls evidence amount, curation instructions, model selection, and visual access, enabling fine-grained allocation of runtime computation. To optimize this policy under competing objectives, we adapt objective-wise advantage decoupling by separately estimating each objective's advantage before aggregation. Moreover, we introduce prefix-based marginal utility estimation for fine-grained credit assignment across multi-step rollouts. Experiments on five multimodal agent-memory benchmarks demonstrate favorable performance--cost--latency trade-offs across optimization preferences, with preference sweeps yielding broader frontiers than existing trade-off-aware baselines.
• Abstract（参考訳）: メモリはLLMエージェントエコシステムに不可欠なものとなり、情報保持とインタラクション間の再利用をサポートする。 しかし、既存のエージェントメモリシステムはクエリに依存しない方法でメモリを構築するため、不要な前処理コストを発生させ、後に必須であることが判明した詳細を破棄することができる。 最近の研究は、メモリ処理をランタイム適応にシフトし始めているが、通常、特定の操作や固定された処理方式に特化しており、性能、コスト、遅延の柔軟な制御がほとんど探索されていない。 この課題に対処するため、私たちは、オンデマンドメモリキュレーションをさまざまなパフォーマンス-コスト-レイテンシの好みの下でオーケストレーションするフレキシブルなフレームワークである \textbf{MemPilot} を紹介します。 具体的には、強化学習による多段階LCMポリシーを最適化し、クエリ非依存メモリからの検索と、生マルチモーダル履歴のクエリ固有のキュレーションを異種LSMやVLMに委譲するかを反復的に選択する。 このポリシーは、エビデンス量、キュレーション命令、モデル選択、視覚的アクセスを共同で制御し、実行時計算のきめ細かい割り当てを可能にする。 競合する目的の下でこのポリシーを最適化するために、各目的の優位性を個別に評価して、目的の優位性を切り離す。 さらに,複数段階のロールアウトにまたがる詳細なクレジットカード代入のためのプレフィックスベースの限界効用推定を導入する。 5つのマルチモーダルエージェントメモリベンチマークの実験では、最適化の選好にまたがるパフォーマンス-コスト-レイテンシのトレードオフが好まれている。

関連論文リスト

• Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
  メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。 MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。 さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
  論文  参考訳（メタデータ） (2026-04-22T07:09:30Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs [23.593398623128735]
  MR.Recは、LLM(Large Language Models)ベースのレコメンデーションのために、メモリと推論をシナジする新しいフレームワークである。 パーソナライズを実現するため、我々は、関連する外部メモリを効率よくインデックスし、検索する総合検索拡張生成システム(RAG)を開発した。 動的メモリ検索と適応推論を組み合わせることで、このアプローチはより正確でコンテキストを認識し、高度にパーソナライズされたレコメンデーションを保証する。
  論文  参考訳（メタデータ） (2025-10-16T12:40:48Z)
• Learn to Memorize: Optimizing LLM-based Agents with Adaptive Memory Framework [33.739298910759544]
  メモリサイクルをモデル化し,適応型・データ駆動型メモリフレームワークを用いたLCMエージェントの最適化を提案する。 具体的には、メモリ検索を容易にするためのMoEゲート関数を設計し、メモリ利用を改善するための学習可能な集約プロセスを提案し、メモリ記憶に適応するためのタスク固有のリフレクションを開発する。
  論文  参考訳（メタデータ） (2025-08-15T12:22:52Z)
• 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。