論文の概要: Let Them Sleep: Recursive Self-Pruning Memory for Long-Horizon LLM Agents

• arxiv url: http://arxiv.org/abs/2610.25561v1
• Date: Sun, 18 Oct 2026 21:56:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:21:45.769979
• Title: Let Them Sleep: Recursive Self-Pruning Memory for Long-Horizon LLM Agents
• Title（参考訳）: 長めのLDMエージェントのための再帰的なセルフプルメモリ
• Abstract要約: RSPMは最近の障害をクラスタ化し、各クラスタを短いルールに蒸留し、学んだばかりの生のエピソードを削除する。 忘れるべきことを知ることは、ベンチマーク固有のトリックではなく、エージェントメモリの一般的な特性である。
• 参考スコア（独自算出の注目度）: 4.733101163909969
• License:
• Abstract: Agents that run for a long time have a memory problem, and it is not the one most systems optimize for. Storing every trace and retrieving the nearest neighbors works early and quietly stops working later: the store fills up with failures the agent then repeats, and with facts that were true fifty turns ago. RSPM (Recursive Self-Pruning Memory) borrows the fix biology already found. At intervals the agent sleeps. It clusters its recent failures, distills each cluster into a short rule, and deletes the raw episodes it just learned from. Rules decay unless something reinforces them, and rules that recur across many contexts get promoted into general ones. We tested this on three settings with little in common: a difficulty-calibrated SWE-bench simulation, temporal consistency across 12 conversational benchmarks, and long-horizon QA on LoCoMo-10. All three improve, by 9.1, 11.9, and 7.6 points respectively. More interestingly, the two studies that instrument the store itself converge on nearly the same operating point without being tuned toward it: roughly 93% fewer retry loops and roughly 30% fewer stored entries. That hints that knowing what to forget is a general property of agent memory rather than a benchmark-specific trick.
• Abstract（参考訳）: 長時間実行されるエージェントにはメモリの問題があり、ほとんどのシステムが最適化しているわけではない。 店は、エージェントが繰り返す失敗と、50回前に真実になった事実を埋める。 RSPM(Recursive Self-Pruning Memory)は、すでに見つかった固定生物学を借用する。 一定間隔でそのエージェントは眠る。 最新の障害をクラスタ化し、各クラスタを短いルールに蒸留し、学んだばかりの生のエピソードを削除する。 規則は、何かがそれらを補強しない限り崩壊し、多くの文脈で再帰する規則は一般的な規則に昇格する。 難解なSWEベンチシミュレーション、12の会話ベンチマーク間の時間的一貫性、LoCoMo-10上の長期QAの3つの設定でこれをテストした。 いずれも9.1、11.9、および7.6ポイント向上した。 さらに興味深いのは、ストア自体を調整せずにほぼ同じ動作点に収束させる2つの研究である:約93%のリトライループと約30%の保存エントリである。 これは、何を忘れるべきかを知ることが、ベンチマーク固有のトリックではなく、エージェントメモリの一般的な特性であることを暗示している。

関連論文リスト

• Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs [57.42635971273594]
  本稿では,リカレントかつ自己終端ループとして動作するメモリローカであるReMindを提案する。 複合キューのために、ReMindはクエリコンテキストにトップランクのメモリを追加します。 メタメモリ監視では、収集したメモリがクエリに応答するのに十分かどうかを各ステップで予測する。
  論文  参考訳（メタデータ） (2026-10-12T03:53:47Z)
• MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory [0.0]
  有用なメモリシステムは、現在の状態と過去の状態の両方を保存する必要がある。 本稿では,会話を不変のエピソードとして記憶するメモリコントローラMINDSETを紹介する。 再現可能な850の質問に対して,MINDSETを5つのメモリシステムに対して評価した。
  論文  参考訳（メタデータ） (2026-10-06T15:55:42Z)
• When Does Memory Help? A Cost-Aware Evaluation of Long-Term Memory in Tool-Using LLM Agents [0.0]
  本稿では,タスク実行エージェントにおけるメモリの限界効用を測定するベンチマークであるMERITを提案する。 23,440回(42.57回)で、リーク確認フロアが0.00から0.55-1.00に上昇した。 メモリの実装をスワップすることでタスクの成功を最大60ポイント移動させ、完全なリプレイは経済的には行われない。
  論文  参考訳（メタデータ） (2026-07-26T07:42:00Z)
• 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)
• A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory [7.7803190371583]
  我々は,記憶バンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害であるemphghostメモリについて検討し,その解答モデルを誤導する。 我々は,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。ATMAは,銀行内における過大評価とトランジションの記録を保持し,現在,歴史,およびトランジションラベルをQAに公開する。
  論文  参考訳（メタデータ） (2026-07-02T09:28:29Z)
• Less Context, More Accuracy: A Bi-Temporal Memory Engine for LLM Agents Where a Lean Retrieved Context Beats the Full History [2.5401434059780468]
  Engramは、バイテンポラルデータモデル上のデュアルプロセスメモリエンジンである。 高速書き込みパスは、クリティカルパスにLSMなしでエピソードを付加する。 ハイブリッドリードパスは、密度、語彙、グラフ、および電流/セイレンス信号を融合する。
  論文  参考訳（メタデータ） (2026-06-05T11:43:56Z)
• 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)
• MEME: Multi-entity & Evolving Memory Evaluation [76.57263966646404]
  MEMEは、マルチエンタリティと進化する軸によって定義される全空間にまたがる6つのタスクを定義している。 3つの記憶パラダイムにまたがる6つの記憶システムの評価。 デフォルト設定の下では、すべてのシステムが依存性の推論で崩壊しているのが分かります。
  論文  参考訳（メタデータ） (2026-05-12T17:55:10Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。 ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)

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。