DecentMem augmente la précision de 24 % et réduit l'utilisation de jetons dans les systèmes multi-agents

Selon les observations de Beating, une équipe de l'Université de Cambridge et de l'Université de Chicago a open-sourcé le cadre de mémoire multi-agents DecentMem, qui remplace la mémoire partagée globale par une mémoire privée décentralisée. Les systèmes traditionnels utilisent généralement une mémoire partagée, mais après avoir lu le même contexte, les agents convergent souvent vers des chemins de décision similaires, faisant disparaître l'avantage de la spécialisation. L'idée centrale de DecentMem est que la collaboration doit reposer sur des différences cognitives : conserver des mémoires privées permet de maintenir des chemins complémentaires. DecentMem permet aux agents de maintenir deux pools de mémoire exclusifs : un pool d'exploitation (E-pool) pour stocker les expériences passées et les réflexions, et un pool d'exploration (X-pool) qui génère en continu de nouvelles idées candidates. Un décideur en ligne ajuste dynamiquement les poids d'accès aux deux pools selon les évaluations progressives fournies par un juge basé sur un modèle de langage à grande échelle, aidant ainsi les agents à équilibrer automatiquement exploitation et exploration. Théoriquement, la recherche auto-évolutive est modélisée comme une marche aléatoire sur un graphe, garantissant la accessibilité globale et permettant aux agents de s'échapper des optima locaux. Dans les tests sur AutoGen, DyLAN et AgentNet, DecentMem améliore en moyenne les performances de 8,6 % par rapport à la meilleure base de mémoire centralisée, avec une amélioration maximale atteignant 23,8 %, tout en réduisant la consommation de tokens de moitié. Les recherches révèlent que plus la collaboration repose sur des discussions improvisées que sur des processus fixes, plus l'avantage décentralisé est marqué : dans le cadre DyLAN, qui privilégie la négociation libre, le nombre d'itérations nécessaires pour atteindre une performance équivalente diminue d'environ 60 %, et la vitesse de convergence augmente d'environ 2,5 fois.