VerMem: Gestione Unificata della Memoria per Agenti LLM con Verificatori Locali e Globali

È stato sviluppato un nuovo framework chiamato Memoria Verificabile (VerMem) per migliorare la gestione della memoria per gli agenti basati su modelli linguistici di grandi dimensioni (LLM). Questo framework è descritto in un articolo disponibile su arXiv (2608.03137) e introduce una politica coesa che governa la memoria a lungo termine (LTM), il contesto attivo e la storia episodica attraverso sette operazioni fondamentali: aggiungere, rivedere o eliminare in modo soft le voci LTM; recuperare LTM nel contesto attivo; filtrare o riassumere il contesto attivo; e ripristinare frammenti episodici scelti. VerMem viene inizializzato tramite fine-tuning supervisionato e impiega un curriculum di apprendimento per rinforzo in tre fasi per l'addestramento. La sua innovazione principale risiede nell'implementazione di verificatori locali e globali, che valutano rispettivamente le transizioni di memoria e le traiettorie complessive. Questo approccio affronta la sfida dell'inadeguata assegnazione del credito presente nei metodi attuali che trattano LTM e memoria a breve termine (STM) in modo indipendente. Gli autori dell'articolo non sono specificati nell'abstract. Il framework mira a migliorare le interazioni a lungo orizzonte consentendo agli agenti di conservare informazioni utili, gestire il contesto attivo limitato e recuperare prove passate.