arXiv cs.AI· BHVSP Subrahmanyam, Neeraj Choudhary·· 11 小时前AI 评分31
超越边际影响：面向 LLM 智能体的交互感知记忆选择
Beyond Marginal Influence: Interaction-Aware Memory Selection for LLM Agents
AI 导读
研究提出 JointCoreBench 基准与 JointCore 基线，用于 LLM 智能体的逐决策记忆充分性选择。JointCoreBench 覆盖九类交互族、六个工作流领域，在 6,912 个精确条件下，成本排序的 JointCore 100.0% 恢复最小成本充分集，子集评估从 30.00 降至 11.13（62.9%），节省 87.8% 活跃记忆。
正文 · AI 翻译
摘要：LLM-agent 记忆选择通常使用基于记录相关性或个体影响力的检索排名。此类排名无法在证据冗余或联合必要的情况下识别出充分的子集。我们研究逐决策记忆充分性：选择一个小子集，使其保持全记忆行为。为了将搜索误差与模型误差区分开，我们引入了 JointCoreBench，这是一个包含九个交互族、六个工作流领域、自然语言决策和精确充分集 oracle 的基准，以及 JointCore，一个按相关性成本排序的组删除基线，它在单个记录之前先测试块。在 6,912 个精确条件下，按成本排序的 JointCore 在 100.0% 的情况下恢复出最小成本充分集，将子集评估次数从 30.00 减少到 11.13（62.9%），并实现 87.8% 的活跃记忆节省。在四个 12B-70B 模型系列和每个模型 432 个任务上，其未加权平均值为 10.28 次模型查询，而成本感知单例删除为 16.00 次；最小成本恢复率为 50.6%，而后者为 43.1%。在确定性主接口下，两种方法都保持全记忆行为。使用物理删除、UNKNOWN 掩码、PENDING 哨兵、反事实值和替代标签的测试识别出接口相关行为。JointCore 是一个高效的基准基线；该研究并未确立可部署的记忆压缩。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.23266 [cs.LG] |
| （或使用 arXiv:2610.23266v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.23266 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Neeraj Choudhary [查看电子邮件]
[v1]
2026年10月16日星期五 10:37:47 UTC（67 KB）
来源：arXiv cs.AI · arxiv.org