論文の概要: Persistent Memory and Iterative Improvement in an LLM Agent for Chinese-Character Drawing

• arxiv url: http://arxiv.org/abs/2610.24090v1
• Date: Fri, 16 Oct 2026 18:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:06:32.117651
• Title: Persistent Memory and Iterative Improvement in an LLM Agent for Chinese-Character Drawing
• Title（参考訳）: 中国文字描画用LCM剤の持続記憶と繰り返し改善
• Abstract要約: 蓄積メモリはメモリストアの大幅な増加にもかかわらず、緩やかな集約ゲインを生み出す。 結果は、メモリ設計が、平均的な利点が控えめであっても、蓄積されたエクスペリエンスが役に立つ場所に影響を及ぼす可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Does persistent memory accumulated from previous attempts help an LLM agent solve new problems, and does memory design affect that benefit? We study programmatic Chinese-character drawing across five agent conditions attempting the same 668 items. Accumulated memory produces modest aggregate gains despite substantial growth in the memory stores: free-form notes improve first-attempt success by 4.6 percentage points, while a design combining free-form memory with reusable code improves it by 2.8 points. The two designs do not differ significantly overall, but the code bank shows a suggestive advantage on later, harder items. A separate post-hoc comparison finds a much larger improvement when the code-bank agent receives privileged, target-specific structural supervision. The agent can therefore exploit highly informative structural guidance, although the privileged per-item information does not establish what could have been learned from experience alone. These results suggest that memory design may affect where accumulated experience becomes useful, even when its average benefit is modest.
• Abstract（参考訳）: 以前の試みから永続メモリが蓄積されたことは、LLMエージェントが新しい問題を解決するのに役立ち、メモリ設計がその利点に影響を与えますか? 我々は,同じ668項目を試みながら,5つのエージェント条件にまたがるプログラム的漢字描画について検討した。 フリーフォームノートは初回成功率を4.6ポイント改善し、再利用可能なコードとフリーフォームメモリを組み合わせた設計では2.8ポイント改善している。 2つの設計は全体としては大きな違いはないが、コードバンクは後のより難しい項目に対して示唆的な優位性を示している。 別個のポストホック比較では、コードバンクエージェントが特権的、ターゲット固有の構造的監督を受けると、はるかに改善される。 したがって、エージェントは高度に情報的な構造的ガイダンスを活用できるが、特権付きイテム情報は経験だけでは学べなかった。 これらの結果から,メモリ設計は,蓄積した経験が有用になる場所に影響を及ぼす可能性が示唆された。

関連論文リスト

• Rethinking the Role of Tool Graph Memory in Multi-Turn Tool Use [7.729705073382601]
  大規模言語モデル(LLM)エージェントは、複数のターンで外部ツールを呼び出すことで複雑なタスクを解決する。 最近の研究はツールグラフメモリを提案しており、過去の体験をツール移行として保存し、その後の選択をガイドしている。 ツールグラフメモリを9つのモデルと2つのベンチマークで評価した結果,ベースラインよりも大幅に改善されることはめったにないことがわかった。
  論文  参考訳（メタデータ） (2026-10-15T09:24:30Z)
• EpiCon: Collective Agent Learning through Co-Evolving Multimodal Memory [55.99641987710143]
  EpiConは、エージェント集合学習のための共有マルチモーダルメモリフレームワークである。 EpiConは質問レベルのメモリ進化を永続的なエクスペリエンスバンクにリンクする。 我々は4つのマルチモーダルタスクドメインにまたがる11のベンチマークでEpiConを評価した。
  論文  参考訳（メタデータ） (2026-09-29T16:16:24Z)
• CHIME: Credit-Aware Hierarchical Memory Evolution for Long-Horizon Agentic Planning [46.278651660199664]
  計画はエージェントが複雑なロングホライゾンタスクを管理可能なステップに分解できる中心的な能力である。 テストタイム検索とトレーニングベースの手法は計画を改善するが、高い推論コストを発生させる。 自己進化型メモリは、エージェントインタラクションの結果から再利用可能なエクスペリエンスを外部メモリバンクに蓄積する。
  論文  参考訳（メタデータ） (2026-09-02T03:59:21Z)
• What Makes Agent Memory Useful for Reliable Unanswerable Question Handling? [51.58639607746329]
  メモリはエージェントシステムで広く使われているが、信頼性の高いUAQ処理におけるその役割は未だ不明である。 本稿では,統一エージェントRAGフレームワークによるUAQ処理のためのエージェントメモリの体系的研究を行う。 メモリはいくつかの設定でUAQ性能を改善することができるが、そのような利得は普遍的ではなく選択的であり、データセットシフト時にも脆弱である。
  論文  参考訳（メタデータ） (2026-08-28T05:00:28Z)
• CONTRAMEM: Learning Self-Evolving Procedural Memory from Contrasting Multi-Model Trajectories [13.649910962870896]
  CONTRAMEMは、自己進化型プロシージャメモリのための、ソースフレキシブルでトレーニング不要なフレームワークである。 GAIA2/AREのコンピュータ使用タスクでは、CONTRAMEMは成功率の2倍以上である。
  論文  参考訳（メタデータ） (2026-08-23T18:11:26Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• TRUSTMEM: Learning Trustworthy Memory Consolidation for LLM Agents with Long-Term Memory [11.528637007309937]
  大規模言語モデル(LLM)エージェントは、拡張されたインタラクションをサポートし、有限コンテキストウィンドウを超えてパーソナライズされたアシストをサポートするために、長期記憶に依存している。 既存のメモリエージェントは、生成された書き込み、修正、削除によって外部メモリを積極的に更新する。 これらの更新は、重要な情報を省略したり、既存の記憶を破損させたり、幻覚コンテンツを導入したりする可能性がある。 本稿では,メモリ統合の信頼性向上を目的としたフレームワークであるTrustMemを提案する。
  論文  参考訳（メタデータ） (2026-06-23T20:49:28Z)
• Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents [56.078070829341534]
  メモリベースの自己進化は、コーディングエージェントにとって有望なパラダイムとして登場した。 ヘテロジニアスドメインからの統一メモリプールを利用して、textbfMemory Transfer Learning (MTL) について検討する。
  論文  参考訳（メタデータ） (2026-04-15T15:50:29Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)
• Memorize or Generalize? Evaluating LLM Code Generation with Code Rewriting [54.48306552577881]
  大規模な言語モデル(LLM)は、主にメモリ化(トレーニングデータの大きな部分を複製または再利用する)と一般化(Generalization)を併用している、と我々は主張する。 既存の評価は、表面/構造的類似性を無視し、繰り返しコードの良質な再利用を有害なリコールと記憶タスクの正しさで混同する。 そこで我々は,2つの信号を組み合わせた正規化スコアである覚書リスク指標(MRI)を提案する。 (i) モデルが元の地平解とどのように類似しているか, (ii) 元のタスクから書き換えされたタスクにどの程度の性能が低下するか。
  論文  参考訳（メタデータ） (2025-03-04T05:39:24Z)

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。