論文の概要: Scalaris: A Scalable Enterprise Memory Architecture for Conversational AI Assistants

• arxiv url: http://arxiv.org/abs/2611.02612v1
• Date: Mon, 02 Nov 2026 06:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.570551
• Title: Scalaris: A Scalable Enterprise Memory Architecture for Conversational AI Assistants
• Title（参考訳）: Scalaris: 会話型AIアシスタントのためのスケーラブルなエンタープライズメモリアーキテクチャ
• Abstract要約: このトレードオフに対処するスケーラブルなエンタープライズメモリアーキテクチャであるScalarisを紹介します。 ScalarisはLongMemEval-Sで92.2%、LoCoMoで90.77%に達する。 プロプライエタリなクローズドソースAIアシスタントと統合されると、Scalarisは全体のレスポンス品質を36パーセント改善しました。
• 参考スコア（独自算出の注目度）: 0.48861336570452174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise conversational systems require memory to personalize interactions, retain information across sessions, and maintain conversational coherence. At enterprise scale, however, memory must not only retrieve relevant information accurately but also provide it efficiently to the answer-generation model. Existing memory systems face a trade-off between retrieval accuracy and context efficiency. Retrieving more context can improve recall but increases inference cost and latency. We present Scalaris, a scalable enterprise memory architecture that addresses this trade-off through a unified long-term and short-term memory design. We propose that user interactions and assistant responses possess distinct characteristics and roles in a conversation: user interactions capture evolving knowledge about the user and provide value across sessions, whereas assistant responses must be stored efficiently so that only information relevant to the current query is retrieved. We therefore treat them separately and support each with specialized representations and ingestion/retrieval pipelines. Scalaris reaches 92.2 % accuracy on LongMemEval-S and 90.77 % on LoCoMo using Qwen3-32B, state-of-the-art results on both benchmarks, while supplying the answer-generation model with approximately 10 times fewer retrieved context tokens than Hindsight, a leading memory system for conversational AI. When integrated with our proprietary closed-source AI assistants, Scalaris improved overall response quality by 36 %. Together, these results establish Scalaris as a cost-effective framework for building scalable, personalized conversational AI systems.
• Abstract（参考訳）: エンタープライズの会話システムは、対話をパーソナライズし、セッション間で情報を保持し、会話の一貫性を維持するためにメモリを必要とする。 しかし、企業規模では、メモリは関連情報を正確に取得するだけでなく、回答生成モデルに効率的に提供しなければなりません。 既存のメモリシステムは、検索精度とコンテキスト効率のトレードオフに直面している。 より多くのコンテキストを取得することでリコールが改善されるが、推論コストとレイテンシが向上する。 このトレードオフに対処するスケーラブルなエンタープライズメモリアーキテクチャであるScalarisを紹介します。 ユーザインタラクションは、ユーザに関する進化的知識を捉え、セッション間で価値を提供するが、アシスタント応答は、現在のクエリに関連する情報のみを検索できるように効率的に保存する必要がある。 したがって、これらを個別に扱い、それぞれに特別な表現と摂取/検索パイプラインをサポートします。 ScalarisはLongMemEval-Sで92.2 %、LoCoMoで90.77 %に達し、Qwen3-32B、両方のベンチマークで最先端の結果が得られた。 プロプライエタリなクローズドソースAIアシスタントと統合されると、Scalarisは全体のレスポンス品質を36パーセント改善しました。 これらの結果は、スケーラブルでパーソナライズされた対話型AIシステムを構築するためのコスト効率のよいフレームワークとして、Scalarisを確立している。

関連論文リスト

• MemBubble: Benchmarking How Agent Memory Shapes LLM Response Diversity [69.32957637697743]
  メモリはLLMベースのエージェントのコアコンポーネントとして機能し、過去のインタラクションからユーザの好みを抽出して使用することでパーソナライズされた応答を可能にする。 既存の評価は合成相互作用に大きく依存しており、メモリシステムが少ないため、実際のシナリオではメモリの応答の多様性が不十分である。 MemBubbleは、実際のユーザ・アシスタント・会話から抽出された好みに基づいて構築された1000インスタンスのベンチマークである。 メモリが応答分布に集中する範囲を計測するために、共有された嗜好カテゴリを通してトピック関連性を保持しながら、ユーザの嗜好とは異なるシナリオでテストクエリを構築する。
  論文  参考訳（メタデータ） (2026-10-18T09:17:44Z)
• PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue [9.3254565209625]
  PerSISTはマルチセッション多話者音声対話のための永続記憶システムである。 PerSIST構造は、セッション履歴を読み取り可能なイベントレコードに分割し、3Wのジョイントスコアリング機構でそれらを検索する。
  論文  参考訳（メタデータ） (2026-10-06T04:21:11Z)
• Memory-Augmented Query Intent Understanding for Efficient Chat-based Image Retrieval [74.93546115702155]
  チャットに基づく画像検索により,多ラウンド対話によるユーザ意図の反復的明確化と洗練が可能となる。 このタスクの主な課題は、対話ラウンド全体でユーザーのクエリインテントを動的に理解し、更新することである。 本稿では,チャットベースの画像検索タスクのための,メモリベースの新規かつ効率的なユーザ意図更新フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T10:17:41Z)
• APEX-MEM: Agentic Semi-Structured Memory with Temporal Reasoning for Long-Term Conversational AI [8.933188286750795]
  APEX-MEMは3つの重要なイノベーションを組み合わせた対話型メモリシステムである。 プロパティグラフは、エンティティ中心のフレームワークで時間的に基盤付けられたイベントとして会話を構成する。 検索エージェントは、クエリ時に競合や進化する情報を理解し、解決し、コンパクトでコンテキストに関連のあるメモリサマリを生成する。
  論文  参考訳（メタデータ） (2026-04-15T19:25:02Z)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
  セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。 本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。 ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-05T21:02:49Z)
• Convomem Benchmark: Why Your First 150 Conversations Don't Need RAG [43.50649999164793]
  本稿では,75,336組の質問応答対を含む対話型メモリ評価のためのベンチマークを提案する。 対話記憶と検索強化生成の関係について検討する。
  論文  参考訳（メタデータ） (2025-11-13T17:25:46Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• AssoMem: Scalable Memory QA with Multi-Signal Associative Retrieval [28.858496175399623]
  本稿では,対話発話をアンロックして手がかりを自動的に抽出する連想記憶グラフ構築フレームワークAssoMemを提案する。 AssoMemはSOTAベースラインを一貫して上回り、コンテキスト対応メモリリコールにおいてその優位性を検証する。
  論文  参考訳（メタデータ） (2025-10-12T01:23:23Z)
• Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory [0.5584627289325719]
  大規模言語モデル(LLM)は、文脈的に一貫性のある応答を生成する際、顕著な進歩を示した。 しかし、それらの固定されたコンテキストウィンドウは、長時間のマルチセッション対話に対する一貫性を維持するための根本的な課題を生じさせる。 私たちはMem0というスケーラブルなメモリ中心アーキテクチャを導入し、進行中の会話から健全な情報を動的に抽出し、統合し、取得することでこの問題に対処します。
  論文  参考訳（メタデータ） (2025-04-28T01:46:35Z)
• LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory [68.97819665784442]
  チャットアシスタントの5つのコアメモリ能力を評価するためのベンチマークであるLongMemEvalを紹介する。 LongMemEvalは、既存の長期記憶システムにとって重要な課題である。 本稿では,長期記憶設計をインデックス化,検索,読解の3段階に分割する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T17:59:44Z)

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。