SAGE: Cancello Adattivo per l'Evoluzione Efficiente della Memoria negli LLM Agentici
Un recente articolo pubblicato su arXiv (2605.30711) presenta SAGE (Spherical Adaptive Gate for memory Evolution), una tecnica progettata per gestire gli aggiornamenti della memoria degli LLM agentici. Questo approccio considera l'evoluzione della memoria attraverso la lente del rilevamento di novità, impiegando uno stimatore di densità basato su von Mises-Fisher per valutare i fatti potenziali e una soglia adattiva per il routing. Identifica i fatti chiaramente nuovi come ADD, quelli ridondanti come NOOP, mentre i casi incerti procedono a una fase di fusione LLM, minimizzando così i costosi ragionamenti in fase di scrittura. Nelle valutazioni sul benchmark LoCoMo, SAGE ha superato Mem0, ottenendo il punteggio medio token-F1 più alto in tutti e sette i confronti con backbone open-weight. Inoltre, su GPT-4o-mini, ha ridotto i costi API della fase di aggiunta di 3,4× e la latenza di 2,5×, con solo una minima differenza nel punteggio medio del giudice.
Fatti principali
- 1. SAGE è un Cancello Adattivo Sferico per l'Evoluzione della Memoria negli LLM agentici.
- 2. Inquadra l'evoluzione della memoria come un problema di rilevamento di novità.
- 3. Utilizza uno stimatore di densità basato su von Mises-Fisher sugli embedding della memoria.
- 4. Instrada i fatti candidati con una soglia adattiva che traccia la geometria del deposito di memoria.
- 5. Risolve i fatti chiaramente nuovi come ADD, quelli chiaramente ridondanti come NOOP.
- 6. I casi incerti vengono inviati a un passo di fusione LLM.
- 7. Su LoCoMo, SAGE ha ottenuto il miglior token-F1 medio contro Mem0 su tutti e sette i backbone open-weight.
- 8. Su GPT-4o-mini, ha ridotto il costo API della fase di aggiunta di 3,4× e la latenza di 2,5×.
Entità
Istituzioni
- arXiv
- Mem0