論文の概要: MemCode: Discrete Semantic Representations for Long-Term Agent Memory

• arxiv url: http://arxiv.org/abs/2610.19472v1
• Date: Wed, 14 Oct 2026 02:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.925479
• Title: MemCode: Discrete Semantic Representations for Long-Term Agent Memory
• Title（参考訳）: MemCode: 長期エージェントメモリのための離散意味表現
• Abstract要約: 本稿では,検索指向の書き込みを個別の連想検索と組み合わせた長期エージェントメモリフレームワークMemCodeを提案する。 MemCodeは対話を自己完結型原子メモリユニット(AMU)に書き直し、AMUを学習可能なコードブックにマッピングする。 GPT-4o-mini と Qwen3-30B-A3B-Instruct-2507 のバックボーンを持つ LongMemEval-S と LoCoMo では、MemCode はダイアログ単位のメモリ構成をおよそ 40130 秒に抑えながら、全体的な精度を最高のものにしている。
• 参考スコア（独自算出の注目度）: 20.707723160020404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term memory remains a fundamental bottleneck for large language model (LLM) agents across sessions. Existing systems typically adopt a write-then-retrieve paradigm, storing context-dependent dialogue fragments and retrieving them via nearest-neighbor search in a continuous embedding space. This design yields unstable access units and systematically misses logically related but lexically distant evidence. We propose MemCode, a long-term agent memory framework that couples retrieval-oriented writing with discrete associative retrieval. MemCode rewrites dialogue into self-contained atomic memory units (AMUs), maps AMUs into a learnable codebook with isomorphic semantic quantization (ISQ), and uses codebook co-occurrence topology as a retrieval path complementary to vector search. For long-term memory stores, MemCode separates online atomic writes from asynchronous offline consolidation. On LongMemEval-S and LoCoMo with GPT-4o-mini and Qwen3-30B-A3B-Instruct-2507 backbones, MemCode achieves the best overall accuracy while keeping per-dialogue memory construction within roughly 40~130 seconds, making it 3~21 times faster than LightMem and over an order of magnitude faster than A-MEM and MemoryOS.
• Abstract（参考訳）: 長期記憶は、セッション間での大規模言語モデル(LLM)エージェントの基本的なボトルネックであり続けている。 既存のシステムは、通常、書き込みを検索するパラダイムを採用し、コンテキスト依存の対話フラグメントを格納し、最も近い隣の探索によって、連続的な埋め込み空間でそれらを検索する。 この設計は不安定なアクセスユニットをもたらし、論理的に関連があるが語彙的には遠い証拠を体系的に見逃す。 本稿では,検索指向の書き込みを個別の連想検索と組み合わせた長期エージェントメモリフレームワークMemCodeを提案する。 MemCodeは対話を自己完結型原子メモリユニット(AMU)に書き直し、AMUを同型セマンティック量子化(ISQ)で学習可能なコードブックにマッピングし、コードブックの共起トポロジーをベクトル探索に補完する検索パスとして利用する。 長期的なメモリストアでは、MemCodeはオンラインのアトミック書き込みと非同期のオフライン統合を分離する。 GPT-4o-miniとQwen3-30B-A3B-Instruct-2507のバックボーンを持つLongMemEval-SとLoCoMoでは、MemCodeは、ダイアログ単位のメモリ構成を約40～130秒で維持し、LightMemよりも3～21倍、A-MEMやMemoryOSよりも桁違いに高速である。

関連論文リスト

• Test-Time Memory Construction [50.916768004131505]
  大きな言語モデル(LLM)は、長いインタラクション履歴に関する質問に答えるのに苦労しています。 既存のメモリシステムは通常、ユーザクエリが観測される前に、オフラインで洗練されたメモリ表現を構築し維持する。 テスト時間メモリ構築フレームワークであるT$2$Memを提案する。
  論文  参考訳（メタデータ） (2026-10-09T10:24:51Z)
• MemFit: Efficient Long-Term Agentic Memory [7.614138458711612]
  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。
  論文  参考訳（メタデータ） (2026-10-01T00:44:33Z)
• 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)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models [16.865998112859604]
  EverMemBenchは、100万以上のトークンにまたがる多人数のマルチグループ会話を特徴とするベンチマークである。 EverMemBenchは、1000以上のQAペアを通じて3次元にわたるメモリシステムを評価する。
  論文  参考訳（メタデータ） (2026-02-01T16:13:08Z)
• EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning [42.339841548168565]
  大きな言語モデル(LLM)は、長期の対話エージェントとしてますますデプロイされているが、その限られたコンテキストウィンドウは、拡張された相互作用よりもコヒーレントな振舞いを維持するのが困難である。 本稿では,EverMemOSについて紹介する。EverMemOSは,計算メモリにエミュレートされたライフサイクルを実装した自己組織型メモリオペレーティングシステムである。 EverMemOSは、メモリ拡張推論タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-05T14:39:43Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• 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。