HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

Zero-Mem: LLMエージェントのためのゼロトークンメモリ操作

Zero-Mem: Zero-Token Memory Operations for LLM Agents (arxiv.org)

73 pointsby theanonymousone10 コメント

要約

LLMエージェントは長期間の一貫した動作のためにメモリを必要としますが、多くのシステムではメモリ操作にLLMの追加呼び出しを使用しており、これがトークンと時間のコストを増加させています。本研究では、構造化されたメモリアクセスに生成が必要かどうかという問いに対し、Zero-Memという手法を提案します。Zero-Memは、最終的な質問応答以外のステップでLLMを呼び出さず、トークンを消費しない「ゼロトークンメモリ操作」を導入します。これにより、メモリ操作の時間を57.6%削減しつつ、競争力のある性能を達成します。

全文翻訳

Computer Science > Computation and Language

arXiv:2607.29377 (cs)

[Submitted on 31 Jul 2026]

タイトル: Zero-Mem: LLMエージェントのためのゼロトークンメモリ操作

著者: Yilin Xiao, Zhehan Zhu, Yujing Zhang, Jin Chen, Zijin Hong, Luyao Zhuang, Qinggang Zhang, Shengyuan Chen, Xiaocao Ouyang, Lingfei Ren, Xiao Huang

Yilin Xiaoら10名の著者による論文「Zero-Mem: Zero-Token Memory Operations for LLM Agents」のPDFを表示

PDFを表示 HTML (実験的)

要旨: LLMエージェントは、一貫した長期的な対話のためにメモリを必要としますが、多くのシステムではそのメモリを操作するために追加のLLM呼び出しを使用しています。中間レコードの生成とそれらの検索の仲介は、繰り返し発生するトークンと時間のコストを増加させる一方で、省略されたりマージされたりした詳細は元の証拠を不明瞭にする可能性があります。構造化されたメモリアクセスが生成を必要とするのかどうかを問います。Zero-Memは\emph{ゼロトークンメモリ操作}を導入します。最終的な質問応答以外のステップではLLMを呼び出さず、LLMの入力または出力トークンを消費しません。エンコーダの計算は別途考慮されます。Zero-Memは、元の対話トレースを記録のソースとして保持します。トレースは2つの補完的な方法で整理されます。エンティティ--コンテキストグラフは、対話間の接続を公開し、時間的階層は会話の局所性とセッション状態を保持します。各クエリに対して、Zero-Memは2つのビューの重みを付け、両方から検索し、それらの構造に従ってサポート関係または周囲のコンテキストを回復します。決定論的なキャリブレーションにより、まず矛盾する証拠が破棄され、次にリーダーの回答が取得されたトレースに根拠付けられます。最終的なQAリーダーのみがLLMを呼び出します。長期間のメモリと長期間のコンテキストでの質問応答ベンチマーク全体で、Zero-Memは競争力のあるパフォーマンスを達成しながら、メモリ操作からのLLM呼び出しとLLMトークン消費を排除します。同じ最終QAリーダーとコンテキスト予算を使用した場合、最速の比較ベースラインと比較して、メモリ操作の時間コストを57.6%削減します。アブレーションスタディは、2つのビューとそのクエリ依存の調整の貢献を支持します。全体として、結果は、構造化されたエージェントメモリが過去の中間表現を生成する必要はないことを示しています。ピアレビュー後、コードと実装の詳細は\textcolor{blue}{このURL}で利用可能になります。

件名:Computation and Language (cs.CL)
引用:arXiv:2607.29377 [cs.CL]
(またはこのバージョンについては arXiv:2607.29377v1 [cs.CL])
https://doi.org/10.48550/arXiv.2607.29377 DataCite経由のarXiv発行DOI

投稿履歴

From: Yilin Xiao [メールを表示]
[v1] Fri, 31 Jul 2026 13:01:06 UTC (414 KB)

全文リンク:

論文にアクセス

Yilin Xiaoら10名の著者による論文「Zero-Mem: Zero-Token Memory Operations for LLM Agents」のPDFを表示

[画像: license icon]ライセンスを表示

追加機能
現在の閲覧コンテキスト:

cs.CL

< 前   |   次 >

新規 | 最近 | 2026-07

以下で閲覧を変更:

cs

参考文献と引用

読み込み中...

BibTeX形式の引用

読み込み中...

提供元:

ブックマーク

[画像: BibSonomy][画像: Reddit]

Bibliographic Tools

Bibliographic and Citation Tools

Bibliographic Explorer Toggle

Bibliographic Explorer (Explorerとは?)

Connected Papers Toggle

Connected Papers (Connected Papersとは?)

Litmaps Toggle

Litmaps (Litmapsとは?)

scite.ai Toggle

scite Smart Citations (Smart Citationsとは?)

Code, Data, Media

この論文に関連するコード、データ、メディア

alphaXiv Toggle

alphaXiv (alphaXivとは?)

Links to Code Toggle

CatalyzeX Code Finder for Papers (CatalyzeXとは?)

DagsHub Toggle

DagsHub (DagsHubとは?)

GotitPub Toggle

Gotit.pub (GotitPubとは?)

Huggingface Toggle

Hugging Face (Huggingfaceとは?)

ScienceCast Toggle

ScienceCast (ScienceCastとは?)

Demos

デモ

Replicate Toggle

Replicate (Replicateとは?)

Spaces Toggle

Hugging Face Spaces (Spacesとは?)

Spaces Toggle

TXYZ.AI (TXYZ.AIとは?)

関連論文

レコメンダーと検索ツール

Influence Flowerへのリンク

Influence Flower (Influence Flowersとは?)

Core recommender toggle

CORE Recommender (COREとは?)

  • 著者
  • 会場
  • 機関
  • トピック

arXivLabsについて

arXivLabs: コミュニティ協力者との実験プロジェクト

arXivLabsは、協力者がarXivのウェブサイト上で直接新しいarXiv機能を開発・共有できるフレームワークです。

arXivLabsと協力する個人および組織は、オープンネス、コミュニティ、卓越性、ユーザーデータプライバシーという価値観を受け入れ、遵守しています。arXivはこの価値観にコミットしており、それに準拠したパートナーのみと協力します。

arXivコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか? arXivLabsについてもっと知る。

この論文の著者のうち、誰が推薦者ですか? | MathJaxを無効にする ( MathJaxとは? )