論文の概要: MARS: Memory-Aware Routing for Session-Level LLM Assistants

• arxiv url: http://arxiv.org/abs/2610.23583v1
• Date: Fri, 16 Oct 2026 15:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.981499
• Title: MARS: Memory-Aware Routing for Session-Level LLM Assistants
• Title（参考訳）: MARS:セッションレベルLLMアシスタントのためのメモリアウェアルーティング
• Abstract要約: MARSは、メモリ構成とモデル選択の間の共有制御インターフェースとしてセッション状態を使用する、メモリ対応のルーティングフレームワークである。 QTMは、固定状態条件のメモリポリシーとオンラインルータを導くコンパクトな決定関連状態を推定する。 RealMemでは、MARSはフルコンテキストのGPT-4oのQAの98.2%を保存し、生成APIコストの14.5%しか使用していない。 MultiChallengeでは、MARSは全体として最強の静的システムを踏襲するが、メカニズム中心のサブセット上で、記録コストの低いパフォーマンスにアプローチする。
• 参考スコア（独自算出の注目度）: 37.15234702557593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term LLM assistants must repeatedly decide what prior context to expose and which model should answer as an interaction evolves. Existing memory systems and model routers usually make these decisions separately, although memory construction changes the evidence, distractors, and difficulty of the resulting input. We introduce MARS, a memory-aware routing framework that uses session state as a shared control interface between memory construction and model selection. A Query and Topic Manager (QTM) estimates compact decision-relevant state that guides a fixed state-conditioned memory policy and an online router, enabling each turn to receive an appropriate memory view and a suitable model under a quality-memory-cost trade-off. We evaluate MARS on RealMem and MultiChallenge with 16 system configurations each, covering long-history memory-driven interaction and bounded sessions with structured context interference. On RealMem, MARS preserves 98.2% of full-context GPT-4o's QA while using only 14.5% of its generation API cost, including both generation and controller calls for MARS, and achieves the strongest measured memory-recall and retrieval scores among compared systems. On MultiChallenge, MARS trails the strongest static system overall but approaches its performance at lower recorded cost on a mechanism-focused subset. Together, these results support a favorable quality-memory-cost trade-off for long-history, memory-dependent interaction.
• Abstract（参考訳）: 長期的なLLMアシスタントは、どのコンテキストを公開するか、相互作用が進化するにつれてどのモデルに答えるべきかを、繰り返し決定する必要がある。 既存のメモリシステムとモデルルータは、通常これらの決定を別々に行うが、メモリ構造は、結果のインプットのエビデンス、インタラプタ、難易度を変化させる。 メモリ構成とモデル選択の共有制御インターフェースとしてセッション状態を使用するメモリ対応ルーティングフレームワークMARSを紹介する。 クエリとトピックマネージャ(QTM)は、固定状態のメモリポリシーとオンラインルータを導くコンパクトな意思決定関連状態を推定し、各ターンが品質のメモリコストトレードオフの下で適切なメモリビューと適切なモデルを受信できるようにする。 我々はRealMemとMultiChallengeのMARSを16のシステム構成で評価し、長期記憶駆動インタラクションと構造化コンテキスト干渉による境界セッションをカバーした。 RealMemでは、MARSは、生成とコントローラ呼び出しの両方を含む生成APIコストの14.5%しか使用せず、フルコンテキスト GPT-4o の QA の98.2% を保存し、比較したシステム間で最も強力なメモリリコールと検索スコアを達成している。 MultiChallengeでは、MARSは全体として最強の静的システムを踏襲するが、メカニズム中心のサブセット上で、記録コストの低いパフォーマンスにアプローチする。 これらの結果は、長期にわたるメモリ依存インタラクションに対する、良好な品質とメモリコストのトレードオフをサポートする。

関連論文リスト

• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents [0.33842793760651557]
  制御された介入の下で,候補記憶がモデル応答に与える影響を推定する因果記憶選択手法を提案する。 以上の結果から,CMIは,信頼性の高い長期記憶には関連性のみではなく,因果的有用性に基づくコンテキスト選択が必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-17T20:21:55Z)
• 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)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• 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。