論文の概要: Folio: Recoverable Multi-Resolution Context Folding for Long-Horizon Language Agents
- arxiv url: http://arxiv.org/abs/2611.16627v1
- Date: Thu, 12 Nov 2026 10:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.450496
- Title: Folio: Recoverable Multi-Resolution Context Folding for Long-Horizon Language Agents
- Title(参考訳): Folio: 長期言語エージェントのための回復可能なマルチリゾリューションコンテキストフォールディング
- Abstract要約: Folioはコンテキストマネージャで、1つのハンドルを通じて履歴を記録し、折りたたみし、復元する。
エージェントが実行される間、Folioは3つのリンクされたレベルを記録する: 短いターンノートモデルが通常のコンテキスト(L1)の一部として書き込み、ランタイム(L2)によって書かれたすべての呼び出しのイベントマニフェスト、キャプチャされたソースレコード(L3)。
これらのビューはすでに存在するので、ランタイムがフォールドし、古いターンの粗いビューを選択します。フォルダはインデックスL2とL3のハンドルをプリントします。
- 参考スコア(独自算出の注目度): 20.34767501667102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon language agents accumulate tool results and replies until the history no longer fits the context window. Current agents shrink this history by having a model summarize it, so each compaction rereads and rewrites the history it replaces, and cache-aware triggers decide when to compact while taking the size of the result as given. We present Folio, a context manager that records, folds, and recovers history through one set of handles. While the agent runs, Folio records three linked levels: a short turn note the model writes as part of its ordinary reply (L1), an event manifest of every call written by the runtime (L2), and the captured source records (L3). Because these views already exist, the runtime folds the context programmatically, selecting coarser views for older turns. The fold prints the handles that index L2 and L3, so recovery tools that read bounded pages, compute over full text in files, and keep findings in a persistent dossier reach the evidence the agent needs with little added input. The fold trigger prices an explicit landing point that includes the retained budget. On 75 LOCA-bench tasks with DeepSeek-V4-Pro behind every system, Folio solves 66 tasks against 54 for the same runtime with model-written compaction and 49-59 for Claude Code, Codex, and SoL-Pi, in about half their working time, at 2.4 times lower cost than that runtime; each fold takes a median of 0.6 seconds.
- Abstract(参考訳): ロングホライズン言語エージェントは、履歴がコンテキストウィンドウに収まらないまで、ツールの結果と返信を蓄積する。
現在のエージェントはモデルを要約することでこの履歴を縮小するので、各圧縮はそれを置き換えた履歴を読み取り、書き直しし、キャッシュ対応のトリガは、結果のサイズを指定しながら、いつ圧縮するかを決定する。
Folioはコンテキストマネージャで、1つのハンドルを通じて履歴を記録し、折りたたみし、復元する。
エージェントが実行されている間、Folioは通常の応答(L1)の一部としてモデルが書き込まれるショートターン、ランタイム(L2)で書かれたすべての呼び出しのイベントマニフェスト、キャプチャされたソースレコード(L3)の3つのリンクレベルを記録している。
これらのビューはすでに存在するので、ランタイムはコンテキストをプログラム的に折り畳み、古いターンの粗いビューを選択する。
フォルダは、インデックス L2 と L3 のハンドルをプリントするので、リカバリツールは、バウンドページを読み、ファイル中の全テキストを計算し、発見を永続的な量で保持し、エージェントが必要なエビデンスにほとんど追加しない。
折りたたみ式は、維持予算を含む明示的な着陸地点を価格で引き起こす。
あらゆるシステムの背後にあるDeepSeek-V4-Proを使った75のLOCA-benchタスクにおいて、Folioはモデル記述のコンパクト化とClaude Code、Codex、SoL-Piの49-59で、66のタスクを同じランタイムに対して解決した。
関連論文リスト
- REMORY: Learning Residual Memory for Context Compaction [22.11320993973582]
本稿では,要約をソフトメモリトークンの有界シーケンスで補完するニューラルネットワークREMORYを紹介する。
SummHayでは、REMORYは入力位置の5.2%しか使用せず、ほとんど変化のないインサイトカバレッジでソース属性を改善し、フルコンテクストのジョイントスコアにアプローチする。
Qwen3.8-27B と GLM-5.3-Flash のロングホライゾンエージェントベンチマークは、残メモリと一貫した利得を示している。
論文 参考訳(メタデータ) (2026-10-08T05:50:50Z) - RunningTab: Direct Workspace Interaction with Environment-Side Tabs [64.78155698304482]
RunTabは環境サイドタブと直接のワークスペースインタラクションを提供するフレームワークである。
ランニングTabは、標準のDWIとベースラインを一貫して上回り、モデルに記録を保持する。
論文 参考訳(メタデータ) (2026-10-07T17:16:56Z) - Context as an Environment: Programmatic Context Management for Long-Horizon Agents [47.21335299084925]
それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。
カーネルはモデルコールにまたがって型付けされ、ツール出力、検索された履歴、派生した状態が変数にバインドされる。
論文 参考訳(メタデータ) (2026-08-21T23:39:19Z) - LazyMem: Retrieve Broadly, Construct Selectively for Efficient Long-Term Agent Memory [10.916121108457537]
クエリ時間にすべてのメモリ構成を遅延させるLazyMemを紹介します。
LongMemEvalでは、LazyMem-4B は LLM-judge の精度 0.85 を達成し、最強の非線形ベースラインを上回っている。
さらに、ターゲットドメイントレーニングなしでLoCoMoに一般化し、以前のクエリ時間ベースラインと比較して平均レイテンシを低減する。
論文 参考訳(メタデータ) (2026-07-17T12:49:57Z) - PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents [0.9134244356393664]
LLMエージェントは、複数の方向から同時に満たされるコンテキストウィンドウ上で動作する。
一般的なメカニズムは、時として周期的な要約と組み合わせて、直流の切り離しである。
Retrieval拡張生成は、外部文書をプロンプトにフェッチするが、エージェントの空白表示されたコンテキストを仲裁しない。
論文 参考訳(メタデータ) (2026-06-18T10:22:57Z) - FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。
Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。
その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
論文 参考訳(メタデータ) (2026-02-02T03:00:19Z) - LLM$\times$MapReduce: Simplified Long-Sequence Processing using Large Language Models [73.13933847198395]
本稿では,文書理解を包括的に行うための分割・対数戦略を利用して,長文処理のための学習自由フレームワークを提案する。
提案された LLM$times$MapReduce フレームワークは、ドキュメント全体を LLM が読み取るためにいくつかのチャンクに分割し、中間回答を集約して最終的な出力を生成する。
論文 参考訳(メタデータ) (2024-10-12T03:13:44Z) - LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding [58.20031627237889]
LongBenchは、コンテキスト理解のための最初のバイリンガルでマルチタスクのベンチマークである。
英語と中国語の6つのタスクカテゴリにまたがる21のデータセットで構成され、平均的な長さは6,711語(英語)と13,386文字(中国語)である。
論文 参考訳(メタデータ) (2023-08-28T11:53:40Z)
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。