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）

長期的なタスクにおいて、意思決定に必要な状態情報は、拡張する軌跡全体に散在していることが多い。一方、行動エージェントはそれらを取り出して行動を起こさなければならない。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、診断情報、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、ウィンドウ外へ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る。この失敗様式を「行動状態の劣化（behavioral state decay）」と呼ぶ。

本研究では、記憶を受動的な検索ではなく、能動的な介入メカニズムとして捉える。未修正の行動エージェントとは別に、独立した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する。そして、メモリに基づくリマインダーを注入すべきか、それとも沈黙を守るべきかを判断する。このモジュールは、最先端の行動エージェントや既存のエージェント枠組みとプラグアンドプレイで連携可能だ。

Terminal-Bench 2.0 と τ²-Bench での評価では、性能が低いエージェントから高いエージェントまで両方で pass@1 が向上し、Terminal-Bench では +8.3 ポイント、τ²-Bench では +6.8 ポイントの改善が見られた。アブレーション実験の結果、選択的な介入は、受動的なバンクへのアクセス常時注入、アドバイザーによる指導のみ、一般的な検索といった手法を上回る性能を示した。

オープンウェイトのメモリポリシーに向けた初期段階として、Qwen3.5-27B を SETA で SFT と GRPO を用いてトレーニングし、検証時の報酬を向上させるとともに、Terminal-Bench への部分的な転移も達成した。

提出履歴

送信者：Yifan Wu [メールを表示] [v1]

2026年7月9日（木）17:26:28 UTC (11,099 KB)