論文の概要: MemoryTax: The Bitter Lesson of Agent Memory
- arxiv url: http://arxiv.org/abs/2610.29823v1
- Date: Wed, 21 Oct 2026 14:46:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.385529
- Title: MemoryTax: The Bitter Lesson of Agent Memory
- Title（参考訳）: MemoryTax:エージェントメモリの微妙な教訓
- Abstract要約: モデルが検索できるほど強いと、設計済みのメモリが依然として有効かどうかを問う。
4つのメモリメソッド(フルコンテキスト、BM25、Mem0、Zep)と3つのコーディングエージェント(Pi、Codex、Claude Code)を実行し、ロールアウト毎のコストを記録する。
- 参考スコア（独自算出の注目度）: 0.3519650551107761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agent memory systems such as Mem0 and Zep decide what to keep before any question arrives; coding agents keep the raw history and let the model search it with its own tools. We ask whether designed memory still helps once the model is strong enough to search for itself. On one LoCoMo conversation (419 turns, 152 questions), we run four memory methods (full context, BM25, Mem0, Zep) and three coding agents (Pi, Codex, Claude Code), each with GPT-4o-mini, GPT-6 Luna and Claude Opus 5.5, and record what every rollout costs. This is a short empirical study, with one conversation and one run per cell. Agent memory is a costly patch for a weak model: Mem0 beats full context only with GPT-4o-mini, and its build alone costs more than a whole full-context rollout. Agent memory also has a ceiling, set by the model that writes it: a stronger reader does not recover what a weaker writer left out. With Claude Opus 5.5, Pi tops the cost-accuracy frontier, scoring 99% for less than half the cost of full context; its one miss is a wrong answer key. Part of that lead comes from photo captions that only the agents could read: on the 88 questions whose evidence has no photo, Pi and full context differ by one answer.
- Abstract（参考訳）: Mem0やZepのようなエージェントメモリシステムは、どんな質問が届く前に何を保つべきかを決め、コーディングエージェントは生の履歴を保持し、モデルを独自のツールで検索させる。
モデルが検索できるほど強いと、設計済みのメモリが依然として有効かどうかを問う。
1つのLoCoMo会話(419ターン、152質問)では、4つのメモリメソッド(フルコンテキスト、BM25、Mem0、Zep)と3つのコーディングエージェント(Pi、Codex、Claude Code)をそれぞれGPT-4o-mini、GPT-6 Luna、Claude Opus 5.5で実行し、ロールアウトのコストを記録する。
これは短い実験的な研究で、1つの会話と1つのセルが実行される。
Mem0はGPT-4o-miniでのみフルコンテキストを達成し、ビルドだけではフルコンテキストのロールアウト以上のコストがかかる。
エージェントメモリにも、それを記述するモデルによって設定された天井がある。
Claude Opus 5.5で、Piはコスト精度のフロンティアを上回り、完全なコンテキストの半分以下のコストで99%のスコアを得た。
証拠に写真がない88の質問に対して、Piと完全な文脈は1つの答えによって異なる。
関連論文リスト
- Multimodal Filesystem Memory For Long-Horizon Embodied Agents [54.82315140171704]
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。
論文 参考訳（メタデータ） (2026-10-15T21:56:00Z) - MemoProAgent: Toward Memory-Driven Proactive Assistance [62.65924263961032]
MemoProBenchは、メモリ駆動型プロアクティブアシストのベンチマークである。
それは、エゴセントリックなビデオと、年長で気を散らすようなユーザー記憶を合わせたものだ。
トレーニングなしでは、MemoProAgentはQwen3.8-27Bで10%未満から37.5%、GPT-5.3-Chatで38%まで厳格な精度を上げた。
論文 参考訳（メタデータ） (2026-10-15T21:40:17Z) - Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents [3.6666917625778193]
Agent Zero Memory(エージェントゼロメモリ)は、長期記憶システムである。
ユーザの会話、ファイル、接続されたソースを3つの並列メモリシステムに消去する。
論文 参考訳（メタデータ） (2026-08-30T06:55:59Z) - 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) - AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。
AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
論文 参考訳（メタデータ） (2026-06-19T06:35:52Z) - memorywire: A Vendor-Neutral Wire Format for Agent Memory Operations [0.0]
長期的なストレージに入る前に、人間がレビューを書くことができるフレームワークであるMemorywireを紹介します。
5つのバックエンドコンポーネントによるオープンソースリファレンス実装について説明する。
16-scenario cross-adapter conformance suiteは、80細胞中68細胞を無故障で通過する。
論文 参考訳（メタデータ） (2026-05-31T10:18:56Z) - 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) - Structured Distillation for Personalized Agent Memory: 11x Token Reduction with Retrieval Preservation [0.0]
AIエージェントとの長い会話は、あるユーザにとって単純な問題を生み出します。
本研究では,個人化されたエージェントメモリについて検討する。あるユーザのエージェントとの会話履歴を,後続検索のためのコンパクトな検索層に抽出する。
6つのソフトウェアエンジニアリングプロジェクトから4,182件の会話(14,340件の交換)を適用すれば、平均交換長が371件から38件に短縮され、11倍の圧縮が得られる。
論文 参考訳（メタデータ） (2026-03-13T14:21:58Z) - Compiled Memory: Not More Information, but More Precise Instructions for Language Agents [0.0]
本稿では,蓄積したタスク体験をエージェントの命令構造にコンパイルするメモリカーネルであるAtlasを紹介する。
メモリは蒸留であり、ストレージではない。デリバリは命令の書き換えであり、コンテキスト注入ではない。
CUAD契約解析では、進化したプロンプトによりGPT-4oトークンレベルF1が+8.7$pp、精度が+12.5$pp向上した。
論文 参考訳（メタデータ） (2026-03-12T01:49:43Z) - CIMemories: A Compositional Benchmark for Contextual Integrity of Persistent Memory in LLMs [62.116710797795314]
大規模言語モデル(LLM)は、パーソナライゼーションとタスクパフォーマンスを向上させるために、過去のインタラクションから永続的なメモリを使用することが多い。
タスクコンテキストに基づいて,LLMがメモリからの情報フローを適切に制御するかどうかを評価するベンチマークであるCIMemoriesを提案する。
論文 参考訳（メタデータ） (2025-11-18T21:51:23Z)
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。