論文の概要: FlexA-Mem: Budget-Adaptive Agentic Memory for LLM Agents

• arxiv url: http://arxiv.org/abs/2610.33274v1
• Date: Fri, 23 Oct 2026 20:34:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.28866
• Title: FlexA-Mem: Budget-Adaptive Agentic Memory for LLM Agents
• Title（参考訳）: FlexA-Mem: LLMエージェントの予算適応型エージェントメモリ
• Abstract要約: 大規模言語モデル(LLM)エージェントは、非常に異なるメモリ要求のシナリオで動作する。 A-Memのような検索メモリは、現在のクエリが表現していないステップを見逃します。 FlexA-Memは、履歴の各ユニットを不変のストアに書き込んで、呼び出し毎に新しいメモリをレンダリングする一般的なメモリである。
• 参考スコア（独自算出の注目度）: 38.615584481004554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents work in scenarios with very different memory needs. A question about past conversations needs the exact facts it names, while a multi-step task needs a trace of the steps already taken together with details that the next step cannot name. Existing memories are each designed and tested for one kind of scenario. Retrieval memories such as A-Mem miss steps that the current query does not express, summaries drop exact strings, and pairing the two fixes the split of the budget in advance. We propose FlexA-Mem, a general memory that writes each unit of history once into an immutable store and renders a fresh memory for every call. The rendered memory is a compact timeline of records plus detail that a fixed rule fits into the remaining room without an LLM call. The detail is either relevant units as raw text or excerpts or the verbatim pieces that best match the query. With one store, FlexA-Mem serves both kinds of scenario. On AppWorld challenge tasks at 4k, it outperforms the second-best method by 11.5%, and on 147 unused tasks with predictions fixed in advance it outperforms A-Mem with a summary by 12.2%. On LongMemEval and LoCoMo, it matches a dedicated keyword retriever that writes no memory, while memories built on text written by an LLM fall far behind at tight budgets. Ablations show that the timeline carries AppWorld completion, whereas recovery mainly saves steps there and decides accuracy on exact facts. Code is available at https://github.com/WujiangXu/Flex-Amem
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、非常に異なるメモリ要求のシナリオで動作する。 過去の会話に関する質問には、その名前の正確な事実が必要だが、マルチステップタスクには、すでに取られたステップの痕跡と、次のステップでは名前をつけられない詳細が必要である。 既存の記憶は、それぞれ1つのシナリオのために設計され、テストされる。 A-Memのような検索メモリは、現在のクエリが表現していないステップを見逃し、サマリーが正確な文字列をドロップし、2つをペアにすることで、予算の分割を事前に修正する。 FlexA-Memは、履歴の各ユニットを不変のストアに書き込んで、呼び出し毎に新しいメモリをレンダリングする一般的なメモリである。 レンダリングされたメモリは、レコードのコンパクトなタイムラインと、固定されたルールがLCMコールなしで残りの部屋に収まる詳細である。 詳細は、原文または抜粋として関連する単位か、クエリに最もよくマッチする動詞の断片である。 1つのストアで、FlexA-Memは両方のシナリオを提供します。 4kでのAppWorldチャレンジタスクでは、第2位のメソッドが11.5%、未使用タスクが147で前もって修正され、A-Memを12.2%上回る。 LongMemEvalとLoCoMoでは、メモリを使わない専用キーワードレトリバーと一致し、LLMによって書かれたテキスト上のメモリは、厳しい予算ではるかに遅れている。 一方、リカバリは主にステップを節約し、正確な事実を正確に判断する。 コードはhttps://github.com/WujiangXu/Flex-Amemで入手できる。

関連論文リスト

• Agent Memory as Recommendation: Recommender-System Design for Long-Term Memory of LLM Agents [8.344663246893925]
  大規模言語モデル(LLM)エージェントは、リクエスト毎に、限られたコンテキストウィンドウに入る数少ない記憶メモリを選択する必要がある。 この選択には,大規模で成長するストア,要求毎のコスト予算,エビデンスをすべて必要とするマルチセッションの質問という,3つの課題がある。 エージェントメモリを予算化されたスレートレコメンデーションとして形式化し、リクエストをユーザとして、メモリをアイテムとして、コンテキストウィンドウをスレートとして保存する。
  論文  参考訳（メタデータ） (2026-10-26T01:05:20Z)
• 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)
• Test-Time Memory Construction [50.916768004131505]
  大きな言語モデル(LLM)は、長いインタラクション履歴に関する質問に答えるのに苦労しています。 既存のメモリシステムは通常、ユーザクエリが観測される前に、オフラインで洗練されたメモリ表現を構築し維持する。 テスト時間メモリ構築フレームワークであるT$2$Memを提案する。
  論文  参考訳（メタデータ） (2026-10-09T10:24:51Z)
• When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems [6.12907469209873]
  エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。 エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
  論文  参考訳（メタデータ） (2026-08-27T09:51:18Z)
• Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
  Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。 Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-31T13:01:06Z)
• 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)
• 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)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• Assessing Episodic Memory in LLMs with Sequence Order Recall Tasks [42.22616978679253]
  本稿では,認知心理学におけるエピソード記憶研究の課題から順応する逐次リコールタスク(SORT)を紹介する。 SORTはLLMにテキストセグメントの正しい順序を思い出させる必要があり、拡張が容易で追加のアノテーションを必要としない一般的なフレームワークを提供する。 155人の被験者による人間実験から,本書の長期記憶に基づくシーケンス順序を再現できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-10T17:17:38Z)

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。