DecentMemがマルチエージェントシステムでの精度を24%向上させ、トークン使用量を削減

動的監視 Beating によると、ケンブリッジ大学とシカゴ大学のチームが、マルチエージェントメモリフレームワーク「DecentMem」をオープンソースで公開しました。このフレームワークは、グローバル共有メモリの代わりに分散型プライベートメモリを採用しています。従来のシステムでは共有メモリが一般的ですが、エージェントが同じコンテキストを読み取ると、類似した意思決定パスに収束し、分業の利点が失われてしまいます。DecentMem の核心的な理念は、協力が認知的差異に依存しなければならず、プライベートメモリを維持することで補完的なパスを保つことができるという点です。DecentMem は、エージェントが専用の二重プールメモリを維持します。利用プール（E-pool）は過去の経験と反省記録を保存し、探索プール（X-pool）は新しい候補アイデアを継続的に生成します。オンラインディシジョンャーは、大規模言語モデルによる裁判官の段階的スコアに基づき、二重プールの呼び出し重みを動的に調整し、エージェントが開発と探索のバランスを自立して取れるように支援します。理論的には、自己進化検索はグラフ上のランダムウォークとしてモデル化され、そのグローバル到達可能性により、エージェントが局所最適領域から脱出するための保証が提供されます。AutoGen、DyLAN、AgentNet でのテストでは、DecentMem は最も優れた集中型メモリベースラインと比較して平均で8.6％向上し、最良のシナリオでは最大23.8％の相対的向上を達成しました。また、トークン消費量を半分に削減しました。研究によると、協力が固定されたプロセスよりも即興的なディスカッションに依存するほど、分散型の利点が顕著になります。自由な協議を重視するDyLANフレームワークでは、同等のパフォーマンスを達成するために必要なイテレーション回数が約60％減少し、収束速度は約2.5倍向上しました。