DecentMem Meningkatkan Ketepatan Sebanyak 24% dan Mengurangkan Penggunaan Token dalam Sistem Agen Berbilang

Berdasarkan pemantauan Beating, pasukan dari Universiti Cambridge dan Universiti Chicago telah melepaskan kerangka memori pelbagai agen, DecentMem, yang menggantikan memori bersama pusat dengan memori peribadi terdesentralisasi. Sistem tradisional secara meluas menggunakan memori bersama, tetapi apabila agen-agen membaca konteks yang sama, mereka sering bercenderung kepada laluan keputusan yang serupa, menyebabkan kelebihan pembahagian tugas hilang. Konsep utama DecentMem ialah kerjasama mesti bergantung kepada perbezaan kognitif; hanya dengan mengekalkan memori peribadi, laluan pelengkap boleh dipertahankan. DecentMem membenarkan agen-agen mengekalkan memori dwi-pool eksklusif: E-pool (pool penggunaan) menyimpan pengalaman sejarah dan rekod refleksi, manakala X-pool (pool penjelajahan) terus menghasilkan idea-idea kandidat baharu. Pemutus dalam talian mengatur bobot panggilan dwi-pool secara dinamik berdasarkan penilaian berperingkat daripada hakim model bahasa besar, membantu agen-agen menyeimbangkan pengembangan dan penjelajahan secara autonomi. Secara teori, pencarian self-evolution dimodelkan sebagai perjalanan rawak di atas graf, di mana ketercapaian global memberikan jaminan kepada agen untuk keluar dari kawasan optimum tempatan. Dalam ujian terhadap AutoGen, DyLAN, dan AgentNet, DecentMem meningkatkan prestasi sebanyak 8.6% purata berbanding garis dasar memori terpusat terkuat, dengan peningkatan maksimum mencapai 23.8%, sambil mengurangkan penggunaan token separuhnya. Kajian mendapati bahawa semakin besar kebergantungan kerjasama kepada perbincangan spontan berbanding prosedur tetap, semakin jelas kelebihan terdesentralisasi; dalam kerangka DyLAN yang menekankan perundingan bebas, bilangan lelaran yang diperlukan untuk mencapai prestasi setara berkurang sebanyak 60%, dengan peningkatan kelajuan konvergensi sebanyak 2.5 kali ganda.