論文の概要: Reglos: A Self-Evolving Personal Memory Agent with Recursive Self-Improvement

• arxiv url: http://arxiv.org/abs/2611.06049v1
• Date: Wed, 04 Nov 2026 06:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.004992
• Title: Reglos: A Self-Evolving Personal Memory Agent with Recursive Self-Improvement
• Title（参考訳）: Reglos: 再帰的自己改善を伴う自己進化型パーソナルメモリエージェント
• Abstract要約: Reglosはトレーニング不要のパーソナルメモリエージェントで、修正するために書かれた障害を超えて、ハーネスの変更が役立つかどうかをテストする。 その自己進化メモリは、各ユーザの追加専用レコードに、会話毎に追加される。 ReglosはMem0、MemOS、EverOSといった最先端のメモリシステムより優れている。
• 参考スコア（独自算出の注目度）: 5.249048915122885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personal agents draw on past conversations to tailor their responses to each user. Their memory systems store and update what each user says, and coding agents now also rewrite the harness that turns this memory into the model's context. Such patches risk overfitting, because one tested only on the failures it targets can fix those cases and help nowhere else. We present Reglos, a training-free personal memory agent that tests whether harness changes help beyond the failures they were written to fix. Its self-evolving memory adds to each user's append-only record with every conversation, as new preferences supersede old ones and facts can be forgotten. Its harness improves through recursive self-improvement, in which a coding agent proposes patches from failure traces and a critic from a second model family screens each one for benchmark gaming. After the harness is frozen, a fixed evaluator decides which further patches to accept. With the same backbone behind every system, Reglos outperforms state-of-the-art memory systems such as Mem0, MemOS and EverOS, reaching 61.3% and 84.0% on PersonaMem-v2 and LongMemEval-S with Qwen3.8-27B, and 57.5% and 87.2% with GPT-5.6 Luna.
• Abstract（参考訳）: パーソナルエージェントは過去の会話を描き、各ユーザーへの反応を調整します。 それらのメモリシステムは、各ユーザの言うことを保存し、更新する。そして、コーディングエージェントは、このメモリをモデルのコンテキストに変換するハーネスを書き換える。 このようなパッチは、ターゲットとする障害に対してのみテストされるため、過度に適合するリスクがある。 トレーニング不要のパーソナルメモリエージェントであるReglosを紹介します。 自己進化メモリはユーザーの追加専用レコードに追加され、会話ごとに新しい好みが古いものや事実に取って代わられる。 そのハーネスは再帰的な自己改善によって改善され、コーディングエージェントが障害トレースからのパッチを提案し、第2モデルのファミリーからの批評家がそれぞれをベンチマークゲームのためにスクリーニングする。 ハーネスが凍結された後、固定評価器は、どのパッチを受け入れるかを決定する。 同じバックボーンで、ReglosはMem0、MemOS、EverOSなどの最先端メモリシステムを上回っ、PersonaMem-v2とQwen3.8-27BのLongMemEval-Sで61.3%、84.0%、GPT-5.6 Lunaで57.5%、87.2%を記録した。

関連論文リスト

• Accept Changes, Reject Attacks: Robust Memory Management for LLM Agents [27.564924459355424]
  メモリマネージャは、各入力がこのメモリをどのように変更し、どのエージェントが動作しているかを決定する。 メモリのロバスト性は、他の入力を悪くすることなく、両方を扱うものとして形式化します。 我々は、単純なワンショットレシピによって、単一の会話で合成されたエピソードのマネージャを微調整し、挿入された変更やアタックで堅牢性を向上させる。
  論文  参考訳（メタデータ） (2026-10-29T22:54:17Z)
• Remembering Is Not Enough: Refining Memories and Learning When to Use Them in Multi-Agent Systems [16.66908503791802]
  メモリ品質とメモリ使用量の両方を改善するトレーニング不要のフレームワークであるDiscernMemを提案する。 DMRは、チーム実行を単一のメモリとメモリなしで比較し、ルールの欠陥を診断し、現在のタスクと以前のタスクの修正をテストする。 BLMは、各メモリの過去の使用と効果を記録し、その所有者の役割が適用されるか、避けるべきかを学習する。
  論文  参考訳（メタデータ） (2026-10-27T05:12:46Z)
• MemDev-Bench: Does Memory Help Code Agents?Benchmarking Memory Systems over Real Repository Histories [51.50022165666403]
  本稿では,メモリシステムがさまざまなリポジトリ履歴に対してコードエージェントに与える影響を評価するためにMemDev-Benchを提案する。 MemDev-Benchをベースとして,メモリシステムの系統的評価を行った。
  論文  参考訳（メタデータ） (2026-10-20T02:39:26Z)
• MemLife: Curating and Reasoning over Long-Term Egocentric Video Memories [49.06274199467918]
  本稿では,マルチモーダルメモリシステムであるMemLifeについて紹介する。 トレーニングやクェリタイムのビデオアクセスなしで、MemLifeは4つのロングホライゾンベンチマークで4.6～12.0%のトレーニングなしベースラインを改善する。 MemOptは、様々なビデオや質問に対してMemLifeを2.7～5.0%改善し、ライターや読者のバックボーンやメモリシステムに一般化している。
  論文  参考訳（メタデータ） (2026-09-30T17:11:33Z)
• MemSecBench: Tracking Agent Memory Poisoning from Persistence to Consequence and Repair [11.307480451677145]
  メモリシステムは、エージェントが過去のインタラクションから情報を保持、再利用することを可能にするが、悪意のあるコンテンツを持続させることもできる。 最近のベンチマークでは、エージェントメモリのセキュリティがますます調査されているが、永続性、下流の結果、選択的な修復など、同じ悪意のあるセマンティクスをトレースするケースはほとんどない。 MemSecBenchはエージェントメモリシステムのライフサイクルセキュリティのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-29T16:06:54Z)
• The Past Is Prologue: A Plug-in Controller for Selective Updates in Sequentially Evolving LLM Memory [53.50071717647285]
  我々はJanusを提案する。Janusは、候補メモリの更新を受け付けるか、以前のメモリを保持するかを決定するプラグインメモリコントローラである。 Janus は Memory Momentum Trigger を使用して、メモリ更新軌道における不審な偏差を識別する。 Janusは、対応するベース更新器に対して、平均精度を+2.7から+4.6ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-30T04:33:18Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• User as Code: Executable Memory for Personalized Agents [0.3951796994513004]
  パーソナライズされたAIエージェントには、ユーザメモリ — ユーザが誰であるかの永続的なモデルが必要です。 ユーザメモリは実行可能でなければならない、と私たちは主張する。 ユーザ・アズ・コード(UaC)は,ユーザのエージェントのモデルが生きたソフトウェアプロジェクトであるパラダイムである。
  論文  参考訳（メタデータ） (2026-06-15T13:39:41Z)
• 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)
• From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents [38.52713500119118]
  Memoraは、数週間から数ヶ月のユーザ会話にまたがる長期メモリベンチマークです。 ベンチマークでは、記憶、推論、レコメンデーションの3つのメモリグラウンドタスクを評価している。 FAMA(Forgetting-Aware Memory Accuracy)は、古いメモリや無効メモリへの依存を罰するメトリクスである。
  論文  参考訳（メタデータ） (2026-04-21T21:31:01Z)

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。