MemArbiter: Un Nuovo Framework per Colmare il Divario Memoria-Azione negli Agenti LLM

Un nuovo framework chiamato MemArbiter è stato sviluppato da ricercatori per migliorare le capacità decisionali degli agenti basati su modelli linguistici di grandi dimensioni (LLM) durante compiti a lungo orizzonte. Questo framework affronta il 'Divario Memoria-Azione', un fenomeno in cui le informazioni rilevanti rimangono inutilizzate nel processo decisionale a causa di una formazione, organizzazione, prioritizzazione o presentazione inadeguata. MemArbiter scompone le storie di interazione in componenti atomiche e le categorizza in cinque Memory Bank funzionali, regolando dinamicamente la salienza della memoria in base alla domanda della banca, alla rilevanza degli elementi, alle rappresentazioni focali-ambientali e a un gate di presentazione temporale. Valutato sul benchmark ALFWorld rispetto ai metodi Flat Retrieval e Flat Recency con budget di memoria coerenti per passo, MemArbiter ha dimostrato prestazioni migliori utilizzando un modello di generazione di azioni a pesi aperti, come dettagliato nell'articolo disponibile su arXiv (identificatore 2608.02113).