スペクトル固定で長期マルチエージェントAIのドリフトを解消

- 長期的な multi-agent AI における task drift・role drift・state staleness の3つの失敗を扱う研究。 - これらが共通の表現上の原因（hidden state が task・role・shared state を符号化する方向から離れる）を持つと仮説立てし、検証する。 - その上で、token 生成前に hidden state を操作する training-free 介入 ATLAS を提案する。 - open-weight multi-agent システム向けの representation-level controller と位置づけられる。

- 既存手法は3つの失敗を別々に扱い、surface-text レベルで動作したり制御方向を独立に扱うとされる。 - ATLAS は task・role・state の3 subspace を統合した anchor kernel で hidden state を誘導する点が異なる。 - prompting・retrieval・memory・activation-steering の baseline を複数タスクで上回ると報告。 - A-MEM に対し memory macro-average accuracy を最大 5.7 ポイント改善、write/read 失敗を最大 31.7%/24.8% 削減。 - MemoryArena-Agent に対し最大 4.8 ポイント改善、72B backbone へ転移（61.0 vs 56.2）。

- ATLAS（Algebraic Task-role Locking with Adaptive Spectral Memory）は training-free の介入。 - task・role・state の subspace 上に positive-semidefinite な anchor kernel を構築。 - hidden state を共有する high-coherence eigendirection へ steer する。 - low-rank Gram decomposition により計算を tractable に保つ。 - token 生成前の hidden state に対して作用する。

- 14,832 annotated turns の pilot study で、drifted turn が3つの anchor subspace でほぼ一様に崩壊（pairwise r = 0.72-0.78）することを確認。 - long-horizon memory・state maintenance・tool use・least-privilege coordination・embodied stress test で評価。 - perturbation 下で 10.7-12.1 ポイント改善、role consistency 93.5% に到達。 - joint task-role-state span の ablation で 7.2 ポイント低下（matched-rank random span は 0.8）と報告。 - 同方向を prompt や retrieval で与えると 4.3 ポイント回復が劣ると報告。

- 3つの失敗が共通の表現原因を持つという仮説を pilot study と ablation で支持。 - joint span の ablation が random span より大きく性能を落とすことから、方向が機能的に関与すると主張。 - prompt/retrieval で同方向を供給しても回復が劣る点を、表現レベル制御の必要性の根拠とする。 - open-weight agent 向けであり、black-box agent の output-level protocol とは相補的と位置づける。 - 限界や反証については要旨からは不明。

- A-MEM（memory baseline） - MemoryArena-Agent（比較対象） - activation-steering 系の手法 - prompting・retrieval・memory 系 baseline - black-box agent 向け output-level protocol 関連研究