変化する世界を記憶する身体性エージェント向け長期記憶フレームワーク

- 長期的な embodied agent のための長期記憶フレームワーク BetaMem を提案する研究。 - working, spatial, entity, episodic, experiential, procedural の6層からなる追跡可能な長期記憶を構築・進化させる。 - 記憶生成に open-source の Qwen3.5-9B を用い、M3-Bench-robot, LoCoMo, OpenEQA EM-EQA, EgoLifeQA で評価。 - 時間的混乱、記録の欠落・歪み、固定ルールによる再発エラー、記憶コスト増大に対処する。

- 固定された記憶ルールに依存せず、記憶操作を学習・自己改善する点が特徴。 - 記載された記憶手法の中では、各評価プロトコル下で最高スコアを達成。 - M3-Bench-robot 48.08%、LoCoMo 92.08%、OpenEQA EM-EQA 72.6%、EgoLifeQA 62.4%。 - 同程度サイズの open-source model を用いる評価手法の中でも最良と報告。 - 記憶生成モデルの学習により contract pass rate が 50.9% から 86.2% へ向上し、stored action あたりの output token が 47.3% 削減。

- 6層の記憶構造: working, spatial, entity, episodic, experiential, procedural。 - dual-level write contract により、操作の実行可能性と内容の source support を制約。 - supervised fine-tuning で compliant な記憶操作を学習。 - reinforcement learning で repeated sampling と teacher による original observations の検証を組み合わせ、完全・正確な記録を報酬化し、omission, distortion, unsupported content を罰する。 - failure-driven policy recursive self-improvement: 記憶操作の因果系列に沿った diagnosis と、independent replay で gate された local rule repairs。 - atomic tools により storage, up…

- M3-Bench-robot, LoCoMo, OpenEQA EM-EQA, EgoLifeQA で記憶手法として評価。 - 記憶生成に Qwen3.5-9B を使用し、各プロトコルで最高スコアを報告。 - 学習による contract pass rate の向上(50.9%→86.2%)と output token 削減(47.3%)を検証。 - 別途 Qwen3-VL-8B-Instruct による EMem-Bench 評価で average success rate 38.4%、average error recurrence rate 24.9%。 - カテゴリ別では観測横断の情報統合、長履歴の事象想起、個人習慣の推論に優位と報告。

- 要旨からは不明。 - 記憶層間の相互作用や dual-level write contract の限界、cost-utility allocation の感度などは明示されていない。 - EMem-Bench の error recurrence rate 24.9% が示す残存エラーの議論は要旨からは不明。

- 比較対象として明示された記憶手法は要旨からは不明。 - 関連手法として、長期記憶エージェントの定番である Retrieval-Augmented Generation (RAG)、episodic memory、procedural memory に関する研究を挙げる。 - 評価基盤として M3-Bench-robot, LoCoMo, OpenEQA EM-EQA, EgoLifeQA, EMem-Bench の原論文を次に読むべき。