כתבה
arXiv cs.CL ·
למדו מה לא לשכוח: זיכרון אגן לאורך זמן מקילו-בייט
Learning What Not to Forget: Long-Horizon Agent Memory from a Few Kilobytes of Learning
LRE (Learned Relevance Eviction) - פרוטוקול זיכרון אגן לאורך זמן שלמד לשמור את החשוב ביותר. הפרוטוקול, שפועל בקילו-בייט, נבחן במחקר והוכיח יעילות גבוהה בהשוואה לפרוטוקולים אחרים. LRE יכול לשמור זיכרון קונבסאציונלי בצורה יעילה, וזאת תוך שימוש באלגוריתם שלא דורש נוירל נטוורק.
תקציר מקורי באנגליתarXiv:2606.20954v2 Announce Type: replace Abstract: Long-running language-model systems accumulate interaction history that outgrows the context window, so they must continually evict. When an eviction policy drops a task-critical detail, for example an access token issued at login or a path the next call needs, the action fails. We present LRE (Learned Relevance Eviction), a kilobyte-scale, CPU-only, language-model-free scorer that learns which units of history are task-critical and keeps them by verbatim extraction. Under a matched-budget comparison, in our experiment, no baseline dominates LRE on the accuracy-cost plane. On agents, LRE recovers 93% of the aggregate accuracy of keeping the entire history (41.1 vs. 44.0) and exceeds it by 27% on the simplest tasks, while requiring zero co
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית