Memory Intelligence Agent

Memory Intelligence Agent(MIA) 프레임워크는 뇌에서 영감을 받은 메모리를 통합해 지속적 자기 진화와 향상된 추론을 가능하게 함으로써 Deep Research Agent를 강화한다.

Memory Intelligence Agent(MIA) 프레임워크는 뇌에서 영감을 받은 메모리를 통합해 지속적 자기 진화와 향상된 추론을 가능하게 함으로써 Deep Research Agent를 강화한다. 이는 멀티모달 과제에서 평균 5.5%, 텍스트 전용 과제에서 평균 7.5%만큼 이전 메모리 기반 방법을 능가하며 SOTA 성능을 달성한다.

핵심 요약

• Deep Research Agent(DRA)를 위한 기존 메모리 시스템은 주로 롱 컨텍스트 메모리를 사용하며, 이는 어텐션 희석, 노이즈 유입, 높은 저장 및 연산 비용 같은 문제로 이어진다.
• 기존 메모리 시스템은 대체로 지식 지향 메모리, 즉 '무엇'을 포착할 뿐, 심층 연구에서 미래 계획을 안내하는 데 핵심적인 과정 지향 메모리와 개념적 지식, 즉 '어떻게'를 활용하지 못한다.
• DRA의 최적화되지 않은 계획과 실행은, 메모리가 few-shot Chain-of-Thought(CoT)에만 쓰일 때 계획자가 과제별 학습을 결여하고 실행자가 명령을 오해하는 데서 비롯된다.
• MIA는 Manager-Planner-Executor 구조를 제안하며, 과거 검색 궤적의 비모수적 메모리 저장, 모수적 계획, 실행을 분리하고 하이브리드 검색 전략을 사용한다.
• 2단계 교대 강화학습(RL) 전략은 Planner와 Executor 사이의 시너지적 공동 진화를 촉진해 고수준 계획과 효과적인 저수준 과제 실행의 정렬을 보장한다.
• Test-Time Learning(TTL)과 새로운 비지도 평가 프레임워크는 지속적 자기 진화를 가능하게 해, 에이전트가 명시적 감독 없이 온라인으로 비모수적, 모수적 메모리를 모두 정교화하도록 한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.