論文の概要: MUSE: Multi-Level Memory with Selective Runtime Injection for Scientific Coding Agents
- arxiv url: http://arxiv.org/abs/2610.38332v1
- Date: Wed, 28 Oct 2026 06:32:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.377417
- Title: MUSE: Multi-Level Memory with Selective Runtime Injection for Scientific Coding Agents
- Title（参考訳）: MUSE:Selective Runtime Injection for Scientific Coding Agents
- Abstract要約: MUSEは、科学的なコーディングエージェントのためのメモリ管理フレームワークである。
歴史的軌跡からグローバル、アプローチレベル、実装レベルのメモリを構築する。
実行中、現在のインタラクションは実装レベルのメモリを取得するために使用される。
- 参考スコア（独自算出の注目度）: 60.804459913400315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Historical experience can guide scientific coding at multiple levels, but task-level retrieval may miss implementation lessons that become relevant during execution. We introduce MUSE, a memory management framework combining multi-level memory with selective runtime injection for scientific coding agents. MUSE builds global, approach-level, and implementation-level memory from historical trajectories. At initialization, the agent receives global memory and problem-matched approach-level memory. During execution, current interactions are used to retrieve implementation-level memory. An LLM gate selects relevant experience and generates specific review advice, or skips injection. Across four benchmarks spanning numerical problem solving, kernel optimization, and scientific software repair, MUSE outperforms retrieval and memory baselines on all evaluation metrics. Ablations support the multi-level design and gated injection, while transfer experiments show that memory remains useful across kernel benchmarks. These results show that multi-level memory and selective runtime injection enable effective reuse of experience in scientific coding. Code is available at https://github.com/hr-jin/MUSE.
- Abstract（参考訳）: 歴史的経験は科学的なコーディングを複数のレベルで導くことができるが、タスクレベルの検索は実行中に関連する実装のレッスンを見逃す可能性がある。
我々は,マルチレベルメモリと選択的実行時インジェクションを組み合わせたメモリ管理フレームワークであるMUSEを紹介した。
MUSEは、歴史的軌跡からグローバル、アプローチレベル、実装レベルのメモリを構築する。
初期化時には、エージェントはグローバルメモリと問題マッチングされたアプローチレベルのメモリを受け取る。
実行中、現在のインタラクションは実装レベルのメモリを取得するために使用される。
LLMゲートは関連するエクスペリエンスを選択して、特定のレビューアドバイスを生成するか、注入をスキップする。
数値的な問題解決、カーネル最適化、科学ソフトウェア修復にまたがる4つのベンチマークにおいて、MUSEは全ての評価指標で検索とメモリベースラインを上回っている。
アブレーションはマルチレベル設計とゲートインジェクションをサポートし、トランスファー実験はカーネルベンチマーク全体でメモリが有用であることを示している。
これらの結果から,多レベルメモリと選択的ランタイムインジェクションにより,科学的コーディングの経験を効果的に再利用できることが示唆された。
コードはhttps://github.com/hr-jin/MUSE.comで入手できる。
関連論文リスト
- MemFuse: Multi-Source Memory Fusion from Fragmented Observations [32.62990579442196]
マルチソースメモリ融合のベンチマークである**MemFuseBench*を紹介します。
MemFuseBenchはScene-to-Sensorパイプラインで構築されており、制御可能なシナリオをソースタグ付き観測、エビデンス付き質問、敵の注意散らしに合成する。
我々は,イベント層原子メモリにおけるソースレベルの証拠を保存し,関連する原子イベントを因果グラフ内のクラスタ層融合メモリに整理する構造化メモリシステム**MemFuse*を提案する。
論文 参考訳（メタデータ） (2026-08-19T09:04:07Z) - Verifiable Memory: Learning Unified Memory Management with Local and Global Verifiers for Large Language Model Agents [12.763061404384601]
大規模言語モデル(LLM)エージェントは、再利用可能な情報を保持し、有界な活動コンテキストを制御し、長い水平相互作用の間、以前の証拠を回復しなければならない。
本稿では,LTM,アクティブコンテキスト,エピソード履歴を異なる状態として表現し,一つのメモリ操作ポリシで制御するフレームワークであるVerMemを提案する。
論文 参考訳（メタデータ） (2026-08-04T05:06:24Z) - Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
長期記憶は、エージェントが過去の経験を再利用するのに役立つ。
静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。
動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
論文 参考訳（メタデータ） (2026-05-30T05:44:34Z) - EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective [21.66000179149483]
EvoMemBenchは、メモリスコープとメモリ内容の2つの軸に沿って編成された統一ベンチマークである。
本稿では,15個の代表記憶法と強い長文ベースラインを標準プロトコルで比較する。
結果は、現在のメモリシステムは、まだ一般的な解決策には程遠いことを示している。
論文 参考訳（メタデータ） (2026-05-18T13:54:38Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。
メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。
大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
論文 参考訳（メタデータ） (2026-01-27T04:46:23Z) - EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。
このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。
広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
論文 参考訳（メタデータ） (2026-01-07T03:14:42Z) - Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。
10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
論文 参考訳（メタデータ） (2025-11-25T21:08:07Z) - Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions [22.190297901876278]
メモリエージェントに不可欠な4つのコア能力、すなわち、正確な検索、テスト時間学習、長距離理解、選択的忘れの4つを特定した。
既存のベンチマークは、限られたコンテキスト長に依存するか、書籍ベースのQAのような静的で長いコンテキスト設定用に調整されている。
メモリエージェント用に特別に設計された新しいベンチマークであるMemoryAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-07-07T17:59:54Z) - Memory, Benchmark & Robots: A Benchmark for Solving Complex Tasks with Reinforcement Learning [41.94295877935867]
メモリは、エージェントが時間的および空間的依存関係を持つ複雑なタスクに対処できるようにするために不可欠である。
多くの強化学習アルゴリズムにはメモリが組み込まれているが、エージェントのメモリ能力を評価するための普遍的なベンチマークがない。
メモリRLの総合ベンチマークであるMIKASAを紹介する。
論文 参考訳（メタデータ） (2025-02-14T20:46:19Z)
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。