論文の概要: Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory

• arxiv url: http://arxiv.org/abs/2610.19366v1
• Date: Wed, 14 Oct 2026 01:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.868293
• Title: Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory
• Title（参考訳）: 観察・維持・学習 : マルチモーダルエージェント記憶の進化
• Abstract要約: 本稿では,2つの重要な質問を伴って構成されたマルチモーダルエージェントメモリのための2軸解析フレームワークを提案する。 Axis I, Formation and Representationは、どの情報が保持され、どのようにエンコードされるかを特徴付ける。 メモリ管理のAxis IIは、固定メモリを再利用するT1 Static Memory、安定したポリシーでメモリを更新するT2 Dynamic Memory、進化するポリシーでメモリを更新するT3 Self-Evolving Memoryである。
• 参考スコア（独自算出の注目度）: 237.87930543929727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal models and agents have emerged to enable AI systems to learn from and interact with the real world more like humans by integrating information across multiple modalities. However, enabling multimodal agents to continually acquire useful information from complex, heterogeneous multimodal data remains a significant challenge as they move toward long-horizon tasks and lifelong settings. Addressing this challenge requires effective memory mechanisms that can maintain continuity across sessions, adapt to changing users and environments, and refine memory-management policies through accumulated experience. We introduce a two-axis analytical framework for multimodal agent memory structured around two key questions: how multimodal information is formed and represented (Axis I, Formation and Representation), and how its management adapts with accumulated experience (Axis II, Memory Management). Axis I, Formation and Representation, characterizes what information is retained and how it is encoded (e.g., modality-specific embeddings, textual and structured records, latent and parametric representations) to support subsequent reasoning and action. Axis II, Memory Management, distinguishes three tiers: T1 Static Memory reuses fixed memory; T2 Dynamic Memory updates memory through a stable policy; and T3 Self-Evolving Memory updates memory through an evolving policy. Based on this framework, we synthesize recurring design patterns and derive principles for balancing source fidelity with abstraction, maintaining temporal validity and provenance, grounding memory use in recoverable evidence, and evolving memory policies over time. Furthermore, we discuss the challenges and potential future directions for the memory mechanism of multimodal agents.
• Abstract（参考訳）: マルチモーダルモデルとエージェントが登場し、複数のモダリティにまたがる情報を統合することで、AIシステムが人間のような現実世界から学び、対話できるようになる。 しかし,マルチモーダルエージェントが複雑で異質なマルチモーダルデータから有用な情報を継続的に取得できることは,長期的タスクや生涯的設定へと移行する上で重要な課題である。 この課題に対処するには、セッション間の連続性を維持し、ユーザと環境の変化に適応し、蓄積されたエクスペリエンスを通じてメモリ管理ポリシーを洗練できる効果的なメモリメカニズムが必要である。 本稿では、マルチモーダル情報の生成と表現方法(Axis I, Formation and Representation)と、その管理が蓄積した経験にどのように適応するか(Axis II, Memory Management)という、2つの重要な質問を中心に構成されたマルチモーダルエージェントメモリのための2軸分析フレームワークを紹介する。 軸I(Axis I, Formation and Representation)は、どの情報が保持され、どのようにエンコードされるか(例えば、モダリティ固有の埋め込み、テキストと構造化されたレコード、潜在およびパラメトリック表現)を特徴付け、その後の推論とアクションをサポートする。 メモリ管理のAxis IIは、固定メモリを再利用するT1 Static Memory、安定したポリシーでメモリを更新するT2 Dynamic Memory、進化するポリシーでメモリを更新するT3 Self-Evolving Memoryである。 この枠組みに基づいて、我々は、繰り返し設計パターンを合成し、ソースの忠実度と抽象性のバランスをとるための原則を導出し、時間的妥当性と証明を維持し、回復可能なエビデンスでメモリ使用を基盤とし、時間とともにメモリポリシーを進化させる。 さらに,マルチモーダルエージェントのメモリ機構の課題と今後の方向性についても論じる。

関連論文リスト

• M$^3$Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks [19.25978075323521]
  M$3$Evalは、マルチモーダルモデルで異なるメモリ次元を探索するための最初の包括的な評価フレームワークとベンチマークである。 代表的マルチモーダルモデルにまたがって実験を行い、一貫した弱点と独特な振る舞いを明らかにする。 本研究は、メモリを基礎的かつ未探索の能力として強調し、マルチモーダルモデルにおいてより効率的なメモリ機構を設計するための洞察を提供する。
  論文  参考訳（メタデータ） (2026-06-03T15:28:57Z)
• Task-Focused Memorization for Multimodal Agents [9.026427508263641]
  マルチモーダルエージェントがコヒーレントな体験を構築し、世界知識を蓄積し、継続的な学習を実現するためには、長期記憶が不可欠である。 本研究では,環境の中で遭遇する実際のタスクの要求にポリシーが焦点を合わせることを可能にする,強化学習ベースのフレームワークであるTaskMemを紹介する。
  論文  参考訳（メタデータ） (2026-05-29T09:43:35Z)
• LatentMem: Customizing Latent Memory for Multi-Agent Systems [44.59989123744384]
  トークン効率のよいエージェント固有のメモリをカスタマイズするための学習可能なマルチエージェントメモリフレームワークであるLatentMemを提案する。 具体的には、生の相互作用軌跡を軽量な形式で記憶する体験銀行と、検索された経験とエージェント固有の文脈に基づいて条件付けられたコンパクトな潜時記憶を合成するメモリ作曲家とを備える。
  論文  参考訳（メタデータ） (2026-02-03T03:03:16Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• 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)
• EvoMem: Improving Multi-Agent Planning with Dual-Evolving Memory [2.9578217823740065]
  本稿では,デュアル進化メモリ機構上に構築されたマルチエージェントフレームワークであるEvoMemを紹介する。 旅行計画、会議計画、カレンダースケジューリングにおける一貫したパフォーマンス改善を示す。 この成功は、マルチエージェント計画の強化におけるメモリの重要性を強調している。
  論文  参考訳（メタデータ） (2025-11-01T01:38:07Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)

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。