AI 自動翻訳
arXiv:2610.33015v1 発表タイプ：新規
要旨：長期記憶は、大規模言語モデル（LLM）エージェントが個別化されかつ時間的に一貫した対話を維持することを可能にするが、記憶の取り込み・抽出・整理のためにLLMによる推論を繰り返すと、大きなコストと遅延が生じる。本稿では、顕著性に基づく取り込みと述語中心の情報抽出を組み合わせた軽量な記憶フレームワークSLICE-Memを提案する。コンパクトな分類器が保持すべきユーザーの発話文を識別し、意味依存関係に基づく抽出器が取り込まれた発話文を簡潔な記憶エントリに変換する。このオンラインパイプラインは生成型LLMへの呼び出しを一切必要とせず、エントリ間の整合処理はオフラインの統合段階に先送りされる。我々はMemoraおよびLongMemEval-Sの週次サブセットに対してSLICE-Memを評価し、両ベンチマーク上で8Bおよび30BのQwenバックボーンを用いて記憶の構築と統合を行った。Qwen3-30B構成における生成型記憶ベースラインMemOSと比較すると、SLICE-MemのオンラインパイプラインはMemora WeeklyにおいてFAMA（忘却-awareメモリ精度）で46.60対46.68、LongMemEval-Sでは56.8%対59.3%の精度を実現しつつ、総LLMトークン消費量をそれぞれ92.4%および99.5%削減した。これらの結果は、SLICE-MemがLLMベースの記憶構築への依存を大幅に低減しながら、長期記憶にとって有用な証拠を効果的に保持できることを示している。