DecentMem ने मल्टी-एजेंट सिस्टम में सटीकता में 24% की वृद्धि की और टोकन उपयोग को कम किया

Beating मॉनिटरिंग के अनुसार, केंब्रिज विश्वविद्यालय और शिकागो विश्वविद्यालय की टीम ने DecentMem नामक एक बहु-एजेंट मेमोरी फ्रेमवर्क ओपन सोर्स किया है, जो सामान्य साझा मेमोरी के बजाय डिसेंट्रलाइज्ड प्राइवेट मेमोरी का उपयोग करता है। पारंपरिक प्रणालियाँ सामान्य मेमोरी का उपयोग करती हैं, लेकिन जब एजेंट समान संदर्भ को पढ़ते हैं, तो वे अक्सर समान निर्णय पथ पर अभिसरित हो जाते हैं, जिससे विभाजन का लाभ गायब हो जाता है। DecentMem की मूल अवधारणा यह है कि सहयोग को ज्ञानात्मक भिन्नता पर निर्भर करना होगा; केवल निजी स्मृति को बनाए रखकर ही पूरक पथ संरक्षित रह सकते हैं। DecentMem एजेंट को अपनी विशिष्ट डबल-पूल मेमोरी को बनाए रखने की अनुमति देता है: उपयोग पूल (E-pool) पुराने अनुभवों और प्रतिबिंब रिकॉर्ड्स को संग्रहीत करता है, जबकि खोज पूल (X-pool) नए संभावित विचारों को लगातार उत्पन्न करता है। ऑनलाइन डिसीज़न मेकर, बड़े भाषा मॉडल के सुपरवाइज़र के चरणबद्ध स्कोर के आधार पर, डबल-पूल कॉलिंग वजन को सक्रिय रूप से समायोजित करता है, जिससे एजेंट स्वयं के विकास और खोज के संतुलन को सुधार सकता है। सिद्धांततः, स्व-विकसित खोज को एक ग्राफ पर रैंडम वॉक के रूप में मॉडल किया गया है, जिसकी सार्वभौमिक पहुँचयोग्यता एजेंट को स्थानीय न्यूनतम क्षेत्र से बाहर निकलने में सक्षम बनाती है। AutoGen, DyLAN और AgentNet पर परीक्षणों में, DecentMem, सबसे मजबूत केंद्रीकृत मेमोरी बेसलाइन की तुलना में औसतन 8.6% कीवृद्धि प्रदर्शित करता है, सर्वश्रेष्ठ परिदृश्य में 23.8% की सापेक्षवृद्धि होती है, साथ ही Token कीखपच्ची 50% कम होती है। शोध में पाया गया कि, जितना सहयोग स्थिर प्रक्रियाओं के बजाय स्वतंत्रचर्चा पर निर्भर होता है, उतना ही डिसेंट्रलाइज़ेशन का लाभ स्पष्ट होता है; DyLAN प्रणाली में, जहाँ मुक्त सहमति पर जोर दिया जाता है, समान प्रदर्शन प्राप्त करने के लिए पुनरावृत्ति के चक्र 60% कम होते हैं, औरअभिसरण की गति 2.5x से 2.5x (2.5x) होती है।