論文の概要: Spatial Memory by Agents, for Agents
- arxiv url: http://arxiv.org/abs/2610.22736v1
- Date: Thu, 15 Oct 2026 23:13:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.696165
- Title: Spatial Memory by Agents, for Agents
- Title（参考訳）: エージェントによる空間記憶, エージェント
- Abstract要約: 空間記憶により、ロボットは過去の観測を再利用し、位置付け、ナビゲーション、質問応答を行うことができる。
コーディングエージェントが反復的な実装と評価によって設計プロセスを自動化することができるかどうかを検討する。
デザイナエージェントは、固定クエリエージェントからのフィードバックを使用して、メモリ構築と検索のためのコードを書き、修正する。
3つの独立したデザインサーチの中で、Codex / GPT-6 Astraは、同じ重み付けの5トラックスコアで平均44.23であり、ReMEmbRは29.32であり、5トラックすべてをサポートする最強の評価ベースラインである。
- 参考スコア（独自算出の注目度）: 17.605606675439763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial memory enables robots to reuse past observations for localization, navigation, and question answering. Designing such memory involves jointly deciding what to retain and how to retrieve it for diverse semantic, metric, and temporal needs. We investigate whether coding agents can automate this design process through iterative implementation and evaluation. Under a fixed development budget, a Designer Agent writes and revises code for memory construction and retrieval using feedback from a fixed Query Agent. The resulting implementations are frozen before building memories from held-out observation histories, without access to downstream questions, and evaluated across five complementary task tracks using the same Query Agent. Across three independent design searches, Codex / GPT-6 Astra averages 44.23 on the equally weighted five-track score, versus 29.32 for ReMEmbR, the strongest evaluated baseline supporting all five tracks, a 50.9% relative improvement. Qualitative analysis relates performance differences to evidence retention and retrieval, while identifying grounding and evidence-use failures. These results demonstrate the potential of coding agents to automate spatial memory design, while revealing task-dependent trade-offs in performance and computational cost. Project page: https://ba-fa-3344.github.io/.
- Abstract（参考訳）: 空間記憶により、ロボットは過去の観測をローカライゼーション、ナビゲーション、質問応答に再利用することができる。
このようなメモリを設計するには、保持すべきものや、それを様々な意味、計量、時間的ニーズのためにどのように回収するかを共同で決める必要がある。
コーディングエージェントが反復的な実装と評価によってこの設計プロセスを自動化することができるかどうかを検討する。
固定開発予算の下で、Designer Agentは、固定クエリエージェントからのフィードバックを使用して、メモリ構築と検索のためのコードを書き、修正する。
結果の実装は、ダウンストリームの質問にアクセスせずに、保持された観察履歴からメモリを構築する前に凍結され、同じQuery Agentを使用して5つの補完タスクトラックで評価される。
3つの独立したデザインサーチの中で、Codex / GPT-6 Astraは、同じ重み付けの5トラックスコアで平均44.23であり、ReMEmbRは29.32であり、5トラックすべてをサポートする最強の評価ベースラインである。
質的な分析は、性能の違いを証拠の保持と検索に関連付け、根拠と証拠利用の失敗を識別する。
これらの結果は,タスク依存のトレードオフを性能と計算コストで明らかにしつつ,空間記憶設計を自動化するコーディングエージェントの可能性を示している。
プロジェクトページ: https://ba-fa-3344.github.io/
関連論文リスト
- What Should Embodied Agents Remember? Benchmarking and Evaluating Memory Modality for Embodied Agents [28.01998384150996]
メモリにより、大きな言語モデル(LLM)エージェントは、リクエストに応答するときに、しばしばテキストレコードとして格納される過去の経験を使用することができる。
MeMoREvalは、制御されたエクスペリエンス要求プロトコルを通じてこの問題を研究するためのベンチマークである。
論文 参考訳（メタデータ） (2026-10-08T18:00:03Z) - Just-In-Time Agent Memory with Runtime Agentic Research [22.199769439257754]
メモリはAIエージェントにとって重要である。
多くの既存のエージェントメモリシステムはAhead-of-Time (AOT)設計に従っており、特定の要求が来る前にメモリを構築する。
実行時にクエリ条件付きコンテキスト構築のためのトレーニング可能なフレームワークであるJust-In-Time Agent Memory (JAM)を提案する。
論文 参考訳（メタデータ） (2026-09-28T06:01:09Z) - ChipMEM: Verification-Grounded Memory for EDA Agents [8.441726626399651]
ChipMEMは、EDAエージェントのための検証済みのメモリ層である。
クロスタスクの手続き記憶と軌道内統計ガイダンスを組み合わせる。
一般的なアダプタは、RTL最適化とテストベンチ生成エージェントに同じメモリインターフェースを適用している。
論文 参考訳（メタデータ） (2026-09-22T21:03:30Z) - EvoAgentBench: Benchmarking Agent Self-Evolution via Ability Transfer [25.657960361149833]
EvoAgentBenchは、Ability-guided Transferによるエージェントの自己進化のベンチマークである。
すべてのテストタスクは、認証されたトレーニングサイドの能力サポートによってバックアップされる。
論文 参考訳（メタデータ） (2026-07-06T15:17:09Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues [80.29362825271768]
LongMemEval-V2は、メモリシステムが、カスタマイズされた環境で知識のある同僚になるために必要な経験を得るのに役立つかどうかを評価するためのベンチマークである。
LME-V2には、Webエージェントの5つのコアメモリ能力をカバーする451の質問が含まれている。
AgentRunbook-Rは生の状態観察,イベント,戦略ノートのための知識プールを備えた,効率的なRAGベースのメモリであり,AgentRunbook-Cはトラジェクトリをファイルとして格納し,コードエージェントを起動して,拡張サンドボックスに証拠を収集する。
論文 参考訳（メタデータ） (2026-05-12T17:59:34Z) - Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。
メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。
この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
論文 参考訳（メタデータ） (2026-03-08T15:08:01Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z)
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。