論文の概要: Persistent Memory in Multi-Agent LLM Inference: What It Costs, What It Buys, and When You Can Tell

• arxiv url: http://arxiv.org/abs/2610.07782v1
• Date: Tue, 06 Oct 2026 05:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.824914
• Title: Persistent Memory in Multi-Agent LLM Inference: What It Costs, What It Buys, and When You Can Tell
• Title（参考訳）: マルチエージェントLPM推論における永続記憶:コスト、購入内容、そしていつわかるか
• Abstract要約: 協調エージェント間での長いコンテキスト推論の分解は、呼び出し毎にアクティブなKVキャッシュをバウンドする。 多くのシステムは、推論トレースを保存し、リコールする永続的な階層を追加する。 どちらも1つの3層エージェントアーキテクチャで測定します。
• 参考スコア（独自算出の注目度）: 9.376130255915001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposing long-context inference across cooperating agents bounds the active KV cache per call rather than total evidence, which matters when KV-cache memory binds. Many such systems add a persistent tier storing and recalling reasoning traces, usually validated by an ablation reporting an accuracy gain. We measure both on one three-tier agent architecture. Decomposition delivers: peak KV working set of 14.3 MiB per query against 35.5 and 35.3 MiB for single-pass and retrieval-augmented baselines. The persistent tier does not: across eight controlled dataset pairs at n=100 per arm it costs +0.368 MiB [+0.167, +0.590] of peak cache and produces no detectable accuracy change (+0.015, 95% CI [-0.011, +0.046]). We argue the null is structural: single-question benchmarks supply each item with its own evidence and score it independently, and correctness requires resetting stored traces between conditions, so recall has nothing informative to retrieve. Reaching it took four measurement corrections -- three inflating the apparent benefit, the fourth making an effect that size look resolvable -- none visible in the results table. We give the conditions an agent-memory ablation must satisfy and detection procedures that need no knowledge of the specific defect.
• Abstract（参考訳）: 協調エージェント間での長いコンテキスト推論の分解は、KV-cacheメモリがバインドした場合に重要となる、総エビデンスではなく、呼び出し毎にアクティブなKVキャッシュをバインドする。 このようなシステムの多くは、推論トレースを保存し、リコールする永続的な階層を追加し、通常は精度向上を報告しているアブレーションによって検証される。 どちらも1つの3層エージェントアーキテクチャで測定します。 1クエリあたり14.3 MiB、シングルパスおよび検索拡張ベースラインに対して35.5と35.3 MiBのKVワーキングセット。 n=100の8つの制御されたデータセットペアにまたがって、ピークキャッシュの+0.368 MiB [+0.167, +0.590]を消費し、検出可能な精度の変更(+0.015, 95% CI [-0.011, +0.046])は発生しない。 シングルクエストベンチマークは各項目に独自のエビデンスを提供し、独立してスコアし、正確性は条件間で保存されたトレースをリセットする必要があります。 3つは明らかな利益を膨らませるものであり、第4はサイズが解決可能な効果を与えるもので、結果表には表示されない。 エージェントメモリのアブレーションを満たさなければならない条件と、特定の欠陥に関する知識を必要としない検出手順を提示する。

関連論文リスト

• The Right Memory in the Wrong Context: Verifying Retrieval Admissibility in Long-Term Agent Memory [5.138725534209034]
  長期記憶エージェントは、他のプリンシパルに属し、ポリシーに違反したり、ライフサイクル状態を反映したりするため、現在の要求に対して許容できない情報を検索することができる。 本稿では,各メモリクエリ対に3つの状態(許容,不許容,未解決)の1つを割り当てる検索許容検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-05T19:47:43Z)
• TWIST: A Proposed Benchmark for Intervention Quality in Conversational Memory, with a Human-Validated Draft-Alignment [0.0]
  TWISTは、補完的かつ未測定なプロパティ、介入品質のためのベンチマークスイートである。 4つのトラックは、未解決の緊張検知をカバーし、現在の信念に応えて、記録に反するドラフトを検証している。 システムTWISTプロファイルはリコールスコアの他に、メモリがいつ介入すべきかを計測する。
  論文  参考訳（メタデータ） (2026-09-23T12:25:28Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
  コード修復における制御ケーススタディを報告し,新しい現象ではない。 私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。 BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。 厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
  論文  参考訳（メタデータ） (2026-08-14T19:22:50Z)
• Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
  画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。 我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
  論文  参考訳（メタデータ） (2026-07-25T17:00:11Z)
• Echo: KV-Cache-Free Associative Recall with Spectral Koopman Operators [45.88028371034407]
  スペクトルクープマン注意(SKA)を中心に構築されたKV-cacheフリー連想リコールアーキテクチャ 我々は、SKA(Spectral Koopman Attention)を中心に構築されたKV-cacheフリーな連想型リコールアーキテクチャであるEchoを紹介する。
  論文  参考訳（メタデータ） (2026-05-07T22:26:27Z)
• Peekaboo, I See Your Queries: Passive Attacks Against DSSE Via Intermittent Observations [43.35160637778568]
  DSSEは動的暗号化されたデータベースのセキュアな検索を可能にするが、固有の情報漏洩に悩まされている。 我々は新しいユニバーサルアタックフレームワークであるPeekabooを提案し、コア設計は検索パターンの推測に依存している。 FMA の 30% に対して,検索パターン回復のための 0.9 調整されたランドインデックス,90% のクエリ精度を実現した。
  論文  参考訳（メタデータ） (2025-09-04T01:47:22Z)

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。