論文の概要: Multimodal Filesystem Memory For Long-Horizon Embodied Agents

• arxiv url: http://arxiv.org/abs/2610.22686v1
• Date: Thu, 15 Oct 2026 21:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.682811
• Title: Multimodal Filesystem Memory For Long-Horizon Embodied Agents
• Title（参考訳）: 長距離エージェントのためのマルチモーダルファイルシステムメモリ
• Abstract要約: エージェントメモリの補完型を保持するマルチモーダルメモリアーキテクチャである textbfMFM を提案する。 MFMは検索可能なテキストレコードを使用して、異なる表現を基礎となるマルチモーダルエピソードに接続する。 長い水平マインクラフトとコンピュータ使用タスクの場合、MFMは3つのベースモデルで性能を向上させる。
• 参考スコア（独自算出の注目度）: 54.82315140171704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents operating over long horizons need an effective memory that allows them to reuse their experience throughout long interactions. If the entire history of an interaction is retained, it becomes difficult to find the relevant experience, while compressing it into summaries may result in the loss of visual and spatial details that are required later on. We present \textbf{MFM}, a multimodal filesystem memory architecture that keeps complementary types of agent memory. \textbf{Episodic memory} stores the observations, actions, and outcomes, and \textbf{spatial memory} associates experiences with locations. \textbf{Semantic and procedural memory} build up general knowledge and reusable methods of acting, and \textbf{working memory} holds the current plans. MFM makes use of searchable textual records to connect these different representations to the underlying multimodal episodes. The agents are able to find previous experiences by means of contextual cues and to examine the original observations in order to recover details that are missing from their textual descriptions. Through consolidation, the agents convert experience into higher-level knowledge and procedures while still keeping references to the original episodes. In the case of long-horizon Minecraft and computer-use tasks, MFM leads to improved performance with three base models. With GPT-6-Astra, MFM completes \emph{Mine Diamond from Scratch} and reaches 16 out of 24 milestones on the \emph{Ender Dragon} task, as against 12.7 for the best baseline. On CUABench-KiCad it attains a mean reward of 0.440, as compared to 0.400 for the best baseline and 0.267 in the case of no persistent memory.
• Abstract（参考訳）: 長い地平線上で操作するエージェントは、長時間のインタラクションを通じて自身の経験を再利用できる効果的なメモリを必要とする。 インタラクションのすべての履歴が保持されている場合、関連するエクスペリエンスを見つけることは難しくなり、要約に圧縮すると、後で必要とされる視覚的および空間的詳細が失われる可能性がある。 本稿では,エージェントメモリの補完型を保持するマルチモーダルファイルシステムメモリアーキテクチャであるtextbf{MFM}を提案する。 \textbf{Episodic memory} は、観測、アクション、結果を格納し、 \textbf{spatial memory} は、場所と経験を関連付ける。 \textbf{Semantic and procedural memory} は行動の一般的な知識と再利用可能な方法を構築し、 \textbf{working memory} は現在の計画を保持する。 MFMは検索可能なテキストレコードを使用して、これらの異なる表現を基礎となるマルチモーダルエピソードに接続する。 エージェントは、文脈的手がかりを用いて以前の経験を見つけ、元の観察結果を調べて、テキスト記述から欠落した詳細を復元することができる。 統合を通じて、エージェントは体験を、元のエピソードを参照しながら、より高度な知識と手順に変換する。 長い水平マインクラフトとコンピュータ使用タスクの場合、MFMは3つのベースモデルで性能を向上させる。 GPT-6-Astra で MFM は Scratch} から \emph{Mine Diamond を完了し、最高のベースラインでは 12.7 に対して \emph{Ender Dragon} の24マイルストーン中 16 に到達した。 CUABench-KiCadでは、最高のベースラインでは0.400、永続メモリがない場合は0.267と、平均的な報酬が0.440に達する。

関連論文リスト

• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• LMEB: Long-horizon Memory Embedding Benchmark [49.57481835614834]
  埋め込みモデルの能力を評価する包括的なフレームワークであるLong-Horizon Memory Embedding Benchmark (LMEB)を紹介する。 LMEBは4つのメモリタイプにまたがる22のデータセットと193のゼロショット検索タスクにまたがる。 我々は、数億から100億のパラメータを含む、広く使われている15の埋め込みモデルを評価した。
  論文  参考訳（メタデータ） (2026-03-13T02:09:57Z)
• Mem-α: Learning Memory Construction via Reinforcement Learning [20.916677456417464]
  大きな言語モデル(LLM)エージェントは、限られたコンテキストウィンドウによって制約される。 現在のメモリ拡張エージェントは、メモリ更新のための事前に定義された命令とツールに依存している。 Mem-alphaは、エージェントに複雑なメモリシステムを効果的に管理するように訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T08:02:34Z)

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。