כתבה
arXiv cs.AI ·
MemTrace: עקוב אחרי ומיין שגיאות במערכות הזיכרון של מודלי שפה גדולים
MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems
מערכת MemTrace לעקוב אחרי ולמיין שגיאות במערכות הזיכרון של מודלי שפה גדולים. המערכת מאפשרת עקיבה ומיין של שגיאות במערכות הזיכרון של מודלי שפה גדולים, ומסוגלת לזהות את הגורם לשגיאה. המערכת נבנתה על בסיס ניתוח של מערכות הזיכרון של מודלי שפה גדולים, ומסוגלת לעקוב אחרי שגיאות במערכות הזיכרון של מודלי שפה גדולים. המערכת נכתבה בשפת Python, ומבוססת על ספריית PyTorch.
תקציר מקורי באנגליתarXiv:2605.28732v4 Announce Type: replace-cross Abstract: Memory is essential for enabling large language models to support long-horizon reasoning, yet existing memory systems remain unreliable and difficult to debug. Tracing memory's dynamic evolution is crucial to understand how information is synthesized, propagated, or corrupted over time. In this work, we study the new problem of error tracing and attribution in LLM memory systems. We propose a novel framework that transforms memory pipelines into executable memory evolution graphs, enabling fine-grained tracing of operational information flow. We then construct MemTraceBench, a benchmark collected from representative memory systems such as Long-Context, RAG, Mem0, and EverMemOS, to systematically study memory failure modes. We furthe
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית