arXiv:2610.33015v1 발표 유형: 신규
요약: 장기 기억은 대규모 언어 모델(LLM) 에이전트가 개인화되고 시간적으로 일관된 상호작용을 유지할 수 있도록 하지만, 메모리의 입실·추출·정리를 위해 LLM 추론을 반복적으로 수행하면 상당한 비용과 지연이 발생합니다. 우리는 중요도 기반 입실과 술어 중심 정보 추출을 결합한 경량 메모리 프레임워크인 SLICE-Mem을 제안합니다. 간결한 분류기가 보존할 만한 사용자 발화를 식별하고, 의미적 의존성 기반 추출기가 입실된 발화를 간결한 메모리 항목으로 변환합니다. 이 온라인 파이프라인은 생성형 LLM 호출을 필요로 하지 않으며, 서로 다른 메모리 항목 간의 정합 작업은 오프라인 통합 단계로 연기됩니다. 우리는 Memora와 LongMemEval-S의 주간 데이터셋에서 SLICE-Mem을 평가했으며, 두 벤치마크 모두에서 8B 및 30B 규모의 Qwen 백본을 활용해 메모리 구축과 통합을 수행했습니다. Qwen3-30B 구성에서 생성형 메모리 기반 베이스라인 MemOS와 비교했을 때, SLICE-Mem의 온라인 파이프라인은 Memora Weekly에서 FAMA(망각 인식 메모리 정확도) 46.60% 대 46.68%, LongMemEval-S에서는 정확도 56.8% 대 59.3%를 달성하면서, 각각 총 LLM 토큰 소비량을 92.4%와 99.5% 줄였습니다. 이러한 결과는 SLICE-Mem이 LLM 기반 메모리 구축에 대한 의존도를 크게 낮추면서도 장기 기억을 위한 유용한 근거를 효과적으로 보존할 수 있음을 보여줍니다.