長期ホライズンエージェント向けの能動的メモリ（16 分読）
本論文は、長期タスクにおいて重要情報が文脈から埋もれる「行動状態の減衰」問題に対処するため、行動エージェントとは別にメモリエージェントを配置して能動的に介入する「Proactive Memory」手法を提案し、ベンチマークで大幅な性能向上を示した。
キーポイント
行動状態の減衰（Behavioral State Decay）の定義と解決
長期ホライズンタスクにおいて、意思決定に必要な情報が拡張する軌跡の中で埋もれる現象を特定し、これを「behavioral state decay」と命名した。
受動的検索から能動的介入へのパラダイムシフト
従来のメモリ管理が受動的な検索に依存するのに対し、独立したメモリエージェントが軌跡を監視し、必要な場合にのみリマインダーを注入する能動的介入メカニズムを採用している。
プラグアンドプレイな実装とベンチマークでの性能向上
既存のアクションエージェントやハルネスに追加不要で導入可能であり、Terminal-Bench 2.0 と τ²-Bench でそれぞれ +8.3pp、+6.8pp の pass@1 改善を達成した。
学習済みメモリポリシーの初期段階
Qwen3.5-27B を SETA データセットで SFT および GRPO（Generalized Reward Policy Optimization）により訓練し、検証報酬の向上と Terminal-Bench への部分的な転移成功を確認した。
重要な引用
We call this failure mode 'behavioral state decay'.
We study memory as an active intervention mechanism rather than passive retrieval.
Selective intervention outperforms passive bank exposure, always-on injection, advisor-only guidance, and general retrieval.
影響分析・編集コメントを表示
影響分析
この研究は、LLM エージェントが複雑で長いタスクを遂行する際の根本的なボトルネックである「文脈の忘却」に対して、アーキテクチャレベルでの革新的な解決策を示しています。特に、メモリ管理を単なるデータベース検索から「能動的な意思決定プロセス」へと昇華させた点は、将来の自律型エージェントシステム設計における重要な指針となるでしょう。
編集コメント
従来の RAG やコンテキスト拡張の限界を打破し、エージェントが『いつ情報を必要とするか』を自ら判断する能動的なメモリ管理への転換点となる画期的な研究です。
**
要約：長期のタスクでは、意思決定に必要な状態情報が広がり続ける軌跡の中に散在しがちです。一方、行動を起こすエージェントは、その情報を引き出して実行する必要があります。軌跡が長くなるにつれて、タスクの要件や環境の事実、過去の試行結果、診断内容、未解決の部分目標などがコンテキストウィンドウ内に埋もれたり、ウィンドウ外に押し出されたりして、必要なタイミングで意思決定に影響を与えられなくなります。私たちはこの失敗様式を「行動状態の劣化」と呼びます。
本研究では、記憶を単なる受動的な検索手段ではなく、能動的な介入メカニズムとして捉えています。修正を加えない既存のエージェント（アクションエージェント）とは別に、専用のメモリエージェントが並行して動作し、直近の軌跡から構造化されたメモリバンクを更新します。そして、状況に応じてメモリーに基づくリマインダーを注入するか、それとも沈黙を守るかを判断します。
このモジュールは、最先端のエージェントや既存のハッチング（評価枠組み）にプラグアンドプレイで接続可能です。Terminal-Bench 2.0 と τ²-Bench の両ベンチマークにおいて、性能が低いエージェントから高いエージェントまで幅広く pass@1 を向上させました。具体的には Terminal-Bench で +8.3 ポイント、τ²-Bench で +6.8 ポイントの改善を達成しています。
アブレーション実験（要因除去実験）の結果、選択的な介入は、パッシブなバンクへの曝露、常時注入、アドバイザーによる指導のみ、そして一般的な検索手法よりも優れた性能を示しました。オープンウェイトのメモリポリシー実現に向けた第一歩として、私たちは Qwen3.5-27B を SETA データセットで SFT（教師あり微調整）と GRPO（グループ相対最適化）を用いて学習させました。その結果、検証時の報酬が向上し、Terminal-Bench への部分的な転移も成功しました。
主題：人工知能 (cs.AI)、計算と言語 (cs.CL)
引用先：arXiv:2607.08716 [cs.AI]
(または、本バージョンの場合は arXiv:2607.08716v1 [cs.AI])
https://doi.org/10.48550/arXiv.2607.08716
arXiv が DataCite を介して発行した DOI
提出履歴
送信者：Yifan Wu [メールを見る]
[v1]**
2026 年 7 月 9 日（木）17:26:28 UTC (11,099 KB)
原文を表示
Abstract:In long-horizon tasks, decision-relevant state is often scattered across an expanding trajectory, while the action agent must surface it and act. As trajectories grow, task requirements, environment facts, prior attempts, diagnoses, and open subgoals can be buried in the context window or pushed beyond it, failing to influence decisions when needed. We call this failure mode "behavioral state decay". We study memory as an active intervention mechanism rather than passive retrieval. A separate memory agent runs alongside an unmodified action agent, updating a structured memory bank from the recent trajectory and deciding whether to inject a memory-grounded reminder or remain silent. The module is plug-and-play with frontier action agents and existing agent harnesses. Across Terminal-Bench 2.0 and \tau^2τ2-Bench, it improves pass@1 for both weaker and stronger action agents, with gains of +8.3 pp on Terminal-Bench and +6.8 pp on \tau^2-Bench. Ablations show that selective intervention outperforms passive bank exposure, always-on injection, advisor-only guidance, and general retrieval. As an early step toward open-weight memory policies, we train Qwen3.5-27B on SETA using SFT and GRPO, improving validation reward and achieving partial transfer to Terminal-Bench.
Subjects:
Artificial Intelligence (cs.AI); Computation and Language (cs.CL)
Cite as:
arXiv:2607.08716 [cs.AI]
(or
arXiv:2607.08716v1 [cs.AI] for this version)
https://doi.org/10.48550/arXiv.2607.08716
arXiv-issued DOI via DataCite
Submission history
From: Yifan Wu [view email] [v1]
Thu, 9 Jul 2026 17:26:28 UTC (11,099 KB)
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み