Rethinking Memory as Continuously Evolving Connectivity

Zhejiang University와 Alibaba Group의 연구진은 메모리를 동적으로 진화하는 이종 그래프로 모델링하고 지속적인 상호작용을 통해 그 구조와 내용을 적응시키는 LLM 에이전트용 메모리 프레임워크 FluxMem을 개발했다.

FluxMem은 언어 모델 에이전트의 메모리를 고정 저장소가 아니라 연결 구조가 계속 바뀌는 이종 그래프로 표현한다. 초기 연결 형성, 환경 피드백에 따른 정제, 장기 통합의 세 단계에서 빠진 연결을 복구하고 방해 연결을 지우며 기억의 추상화 수준을 과제에 맞춘다. 반복해서 성공한 행동 경로는 재사용 가능한 절차 회로로 압축하고, 하나의 지표로 기억의 일반화 가능성과 성숙도를 관리한다. LoCoMo, Mind2Web, GAIA에서 기존 기준선보다 높은 성능을 보고했으며, 예를 들어 GAIA의 Kimi K2 평균 성공률은 52.12에서 64.85로 올랐다. 다만 반복적인 언어 모델 호출의 지연·비용을 체계적으로 측정하지 않았고 정적 벤치마크만 사용했기 때문에 실시간 열린 환경에서의 효율과 적응성은 아직 확인이 필요하다.

핵심 요약

• 성공: 이러한 위상적 및 단위 수준 편집을 통해 에이전트는 작업을 성공적으로 완료했다.
• 자기 교정 검색: 환경 피드백을 통해 '과잉 연결' 및 '연결 부족' 문제를 동적으로 수정한다.
• 세분성 조정: 저장된 메모리의 상세 수준을 현재 작업 요구에 맞게 적응시킨다.

논문 링크

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