TL;DR
- v1 نوع اعلام:.
- جدید چکیده:.
- عوامل مدل زبان بزرگ (LLM) برای حفظ شخصیسازی،.
چه اتفاقی افتاد
v1 نوع اعلام:. جدید چکیده:.
عوامل مدل زبان بزرگ (LLM) برای حفظ شخصیسازی،. تداوم واقعی و استدلال افق طولانی به حافظه پایدار نیاز دارند،.
اما خطوط لوله استاندارد متن-پنجره و نسل افزوده بازیابی (RAG) در تعاملات چند جلسهای کاهش مییابند. ما MemMachine را ارائه میکنیم،.
یک سیستم حافظه منبعباز که حافظه کوتاهمدت،. اپیزودیک و نمایهای را در یک معماری حافظ حقیقت زمین یکپارچه میکند که کل قسمتهای مکالمه را ذخیره.
میکند و استخراج مبتنی بر LLM را کاهش میدهد. MemMachine از بازیابی متنی استفاده میکند که تطابق هسته را با زمینه اطراف گسترش میدهد و.
زمانی که شواهد مربوطه در چندین نوبت گفتگو باشد،. یادآوری را بهبود میبخشد.
در سراسر معیارها،. MemMachine به معاوضههای دقت و کارایی قوی دست مییابد:.
در LoCoMo با استفاده از gpt4. 1-mini به 0.
9169 میرسد. در LongMemEvalS (ICLR 2025)، یک فرسایش شش بعدی با بهینهسازیهای مرحله بازیابی - تنظیم عمق بازیابی (+4.
2 درصد)، قالببندی متن (+2. 0 درصد)، طراحی سریع جستجو (+1.
8 درصد) و تصحیح سوگیری پرس و جو (+1. 4 درصد) - عملکرد بهتری از دستاوردهای مرحله دریافت (مانند جمله 0.
8 درصد) دارد. GPT-5-mini در صورت جفت شدن با اعلانهای بهینه شده، 2.
6 درصد از GPT-5 فراتر میرود،. که آن را به مقرون به صرفهترین راه اندازی تبدیل میکند.
در مقایسه با Mem0، MemMachine تقریباً 80 درصد کمتر از توکنهای ورودی در شرایط همسان استفاده میکند. یک عامل بازیابی همراه بهطور تطبیقی پرس و جوها را در بین راهبردهای بازیابی مستقیم،.
تجزیه موازی،. یا زنجیره پرس و جو تکراری هدایت میکند،.
و به 93. 2 درصد در HotpotQA-hard و 92.
6 درصد در WikiMultiHop تحت شرایط نویز تصادفی دست مییابد. این نتایج نشان میدهد که حفظ حقیقت اپیزودیک زمینه در حین لایهبندی بازیابی تطبیقی،.
حافظه بلندمدت قوی و کارآمدی را به همراه دارد. برای نمایندگان LLM شخصی.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.