arXiv cs.AI· Henry Han·· 11 小时前AI 评分31
提升压缩 AI 智能体记忆的局部与全局结构
Enhancing Local and Global Structure in Compressed AI Agent Memory
AI 导读
研究提出局部感知量化（LAQ），首次将远端全局保真度 G 的证明上界转化为 OPQ 索引码本的 hinge 目标，在全部 52 次留出运行中提升 G（p=8.5×10⁻⁴，覆盖 13 个记忆编码器组），并在 12 次 Multi-Doc-2025 运行中于七种等大小量化器中取得最高 G。
正文 · AI 翻译
摘要：AI 智能体将文本存储为嵌入向量，并在大规模下对其进行压缩。当每个条目的最近邻得以保留时，压缩即被接受，但智能体还会整合、删除和比较记忆，这些任务取决于哪些条目彼此相距较远。我们用此前工作中两个无需标签的保真度来评估两端：10 个近邻处的局部保真度 $L$，以及记忆的 30% 至 50% 处的全局保真度 $G$。在每段 96 字节时，重打分的二进制码达到 $L$ 为 0.97，却将 10.1% 的段落移到另一主题；采用 8 位码的 PCA 在 $L$ 为 0.77 时，仅移动 1.7%。重打分不改变存储的编码，因而 $G$ 不变。我们证明，在整个 $G$ 区间内，$1-\nu_k$ 至多为近远秩违例率平方根的 2 至 2.18 倍，且该违例率遵循压缩的距离噪声（相关性 0.979）。我们的局部性感知量化（LAQ）将该界转化为 OPQ 索引码本上的铰链目标，同时保留其字节、旋转和搜索。据我们所知，LAQ 是首个目标源自远端已证明界的量化器。仅重建在 52 次留出运行中有 0 次提升 $G$；远端铰链在全部 52 次中均提升。LAQ 在全部 52 次中提升 $G$（在 13 个记忆编码器组上 $p=8.5\times 10^{-4}$），包括外部 FinDER 记忆，在全部 12 次 Multi-Doc-2025 运行中在七个同等大小量化器中具有最高 $G$，可扩展到百万段落，并保持证据召回。
| 评论： | 28 页，12 幅图，10 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.08341 [cs.AI] |
| （或 arXiv:2611.08341v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08341 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Henry Han [查看电子邮件]
[v1]
2026 年 11 月 5 日星期四 17:27:08 UTC（2,703 KB）
来源：arXiv cs.AI · arxiv.org