Zero-Mem: Các thao tác bộ nhớ không token cho tác nhân LLM

Khoa học Máy tính > Tính toán và Ngôn ngữ arXiv:2607.29377 (cs) [Đã gửi vào ngày 31/7/2026] Tiêu đề: Zero-Mem: Các thao tác bộ nhớ không token cho tác nhân LLM Tác giả: Yilin Xiao, Zhehan Zhu, Yujing Zhang, Jin Chen, Zijin Hong, Luyao Zhuang, Qinggang Zhang, Shengyuan Chen, Xiaocao Ouyang, Lingfei Ren, Xiao Huang Xem bản PDF của bài báo có tiêu đề Zero-Mem: Zero-Token Memory Operations for LLM Agents, của Yilin Xiao và 10 tác giả khác Xem PDF HTML (thử nghiệm) Tóm tắt: Các tác nhân LLM cần bộ nhớ để hoạt động nhất quán trong các tương tác dài, nhưng nhiều hệ thống sử dụng các lệnh gọi LLM bổ sung để vận hành bộ nhớ đó. Việc tạo các bản ghi trung gian và điều hòa việc truy xuất chúng làm tăng chi phí token và thời gian lặp lại, trong khi các chi tiết bị bỏ qua hoặc hợp nhất có thể làm lu mờ bằng chứng gốc. Chúng tôi đặt câu hỏi liệu việc truy cập bộ nhớ có cấu trúc có cần tạo ra hay không. Zero-Mem giới thiệu các hoạt động bộ nhớ không token: không có bước nào ngoài việc trả lời câu hỏi cuối cùng gọi LLM hoặc tiêu thụ token đầu vào hoặc đầu ra của LLM; tính toán bộ mã hóa được tính riêng. Zero-Mem bảo toàn các dấu vết tương tác gốc làm nguồn ghi. Nó tổ chức các dấu vết theo hai cách bổ sung. Một đồ thị thực thể–ngữ cảnh phơi bày các kết nối giữa các tương tác, trong khi một hệ thống phân cấp thời gian bảo toàn tính cục bộ của hội thoại và trạng thái phiên. Đối với mỗi truy vấn, Zero-Mem cân nhắc hai chế độ xem, truy xuất từ cả hai và tuân theo cấu trúc của chúng để khôi phục các mối quan hệ hỗ trợ hoặc ngữ cảnh xung quanh. Hiệu chuẩn xác định trước tiên loại bỏ bằng chứng mâu thuẫn và sau đó giữ cho câu trả lời của người đọc được căn cứ vào các dấu vết đã truy xuất. Chỉ người đọc QA cuối cùng mới gọi LLM. Trên các điểm chuẩn trả lời câu hỏi bộ nhớ dài và ngữ cảnh dài, Zero-Mem đạt được hiệu suất cạnh tranh trong khi loại bỏ các lệnh gọi LLM và tiêu thụ token LLM khỏi các hoạt động bộ nhớ. Với cùng một trình đọc QA cuối cùng và ngân sách ngữ cảnh, nó giảm chi phí thời gian hoạt động bộ nhớ 57,6% so với đường cơ sở nhanh nhất được so sánh. Các phân tích hỗ trợ đóng góp của hai chế độ xem và sự phối hợp phụ thuộc vào truy vấn của chúng. Nhìn chung, kết quả cho thấy bộ nhớ tác nhân có cấu trúc không cần tạo ra một biểu diễn trung gian của quá khứ. Sau khi được đánh giá ngang hàng, mã và chi tiết triển khai sẽ có sẵn tại https://this.url. Chủ đề: Tính toán và Ngôn ngữ (cs.CL) Trích dẫn dưới dạng: arXiv:2607.29377 [cs.CL] (hoặc arXiv:2607.29377v1 [cs.CL] cho phiên bản này) https://doi.org/10.48550/arXiv.2607.29377 Tập trung để tìm hiểu thêm DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) Lịch sử gửi Từ: Yilin Xiao [xem email] [v1] Thứ Sáu, ngày 31/7/2026 13:01:06 UTC (414 KB) Liên kết toàn văn: Truy cập bài báo: Xem bản PDF của bài báo có tiêu đề Zero-Mem: Zero-Token Memory Operations for LLM Agents, của Yilin Xiao và 10 tác giả khác Xem PDF HTML (thử nghiệm) Nguồn TeX xem giấy phép Ngữ cảnh duyệt hiện tại: cs.CL < trước | tiếp theo > mới | gần đây | 2026-07 Thay đổi để duyệt theo: cs Tài liệu tham khảo & Trích dẫn NASA ADS Google Scholar Semantic Scholar xuất trích dẫn BibTeX Đang tải... Trích dẫn định dạng BibTeX &times; đang tải... Dữ liệu được cung cấp bởi: Đánh dấu Công cụ thư mục Công cụ thư mục và trích dẫn Chuyển đổi trình khám phá thư mục Trình khám phá thư mục (Trình khám phá là gì?) Connected Papers Chuyển đổi Connected Papers (Connected Papers là gì?) Litmaps Chuyển đổi Litmaps (Litmaps là gì?) scite.ai Chuyển đổi scite Smart Citations (Smart Citations là gì?) Mã nguồn, Dữ liệu, Phương tiện Mã nguồn, Dữ liệu và Phương tiện liên quan đến Bài viết này alphaXiv Chuyển đổi alphaXiv (alphaXiv là gì?) Liên kết đến Mã nguồn Chuyển đổi CatalyzeX Code Finder for Papers (CatalyzeX là gì?) DagsHub Chuyển đổi DagsHub (DagsHub là gì?) GotitPub Chuyển đổi Gotit.pub (GotitPub là gì?) Huggingface Chuyển đổi Hugging Face (Huggingface là gì?) ScienceCast Chuyển đổi ScienceCast (ScienceCast là gì?) Bản trình diễn Bản trình diễn Replicate Chuyển đổi Replicate (Replicate là gì?) Spaces Chuyển đổi Hugging Face Spaces (Spaces là gì?) Spaces Chuyển đổi TXYZ.AI (TXYZ.AI là gì?) Các bài báo liên quan Công cụ đề xuất và tìm kiếm Liên kết đến Influence Flower Influence Flower (Influence Flowers là gì?) Bộ đề xuất cốt lõi chuyển đổi CORE Recommender (CORE là gì?) Tác giả Địa điểm Tổ chức Chủ đề Về arXivLabs arXivLabs: các dự án thử nghiệm với các cộng tác viên cộng đồng arXivLabs là một khuôn khổ cho phép các cộng tác viên phát triển và chia sẻ các tính năng arXiv mới trực tiếp trên trang web của chúng tôi. Cả cá nhân và tổ chức làm việc với arXivLabs đều đã chấp nhận và tuân thủ các giá trị của chúng tôi về tính cởi mở, cộng đồng, sự xuất sắc và quyền riêng tư dữ liệu người dùng. arXiv cam kết với các giá trị này và chỉ làm việc với các đối tác tuân thủ chúng. Bạn có ý tưởng cho một dự án sẽ mang lại giá trị cho cộng đồng arXiv? Tìm hiểu thêm về arXivLabs. Những tác giả nào của bài báo này là người xác nhận? | Tắt MathJax (MathJax là gì?)