DecentMem เพิ่มความแม่นยำขึ้น 24% และลดการใช้โทเค็นในระบบหลายตัวแทน

ตามการตรวจสอบของ Beating ทีมจากมหาวิทยาลัยเคมบริดจ์และมหาวิทยาลัยชิคาโกได้เปิดแหล่งที่มาของกรอบงานหน่วยความจำหลายตัวแทนชื่อ DecentMem ซึ่งใช้หน่วยความจำส่วนตัวแบบกระจายแทนหน่วยความจำร่วมแบบรวมศูนย์ ระบบดั้งเดิมส่วนใหญ่ใช้หน่วยความจำร่วม แต่เมื่อตัวแทนอ่านบริบทเดียวกัน มักจะเข้าสู่เส้นทางการตัดสินใจที่คล้ายกัน ทำให้ข้อได้เปรียบในการแบ่งงานหายไป แนวคิดหลักของ DecentMem คือ การร่วมมือต้องอิงจากความแตกต่างทางปัญญา และการรักษาหน่วยความจำส่วนตัวจึงจำเป็นเพื่อรักษาเส้นทางที่เสริมกัน DecentMem ช่วยให้ตัวแทนจัดการหน่วยความจำแบบสองสระที่เป็นของตนเอง: สระการใช้งาน (E-pool) สำหรับเก็บประสบการณ์ในอดีตและบันทึกการทบทวน ส่วนสระการสำรวจ (X-pool) จะสร้างแนวคิดใหม่ๆ อย่างต่อเนื่อง ตัวกำหนดการตัดสินใจแบบออนไลน์จะปรับน้ำหนักการเรียกใช้งานทั้งสองสระตามคะแนนระยะระหว่างจากผู้พิพากษาแบบโมเดลภาษาขนาดใหญ่ เพื่อช่วยให้ตัวแทนสามารถสมดุลระหว่างการพัฒนาและการสำรวจด้วยตนเอง โดยทฤษฎี การค้นหาด้วยการวิวัฒนาการด้วยตนเองถูกจำลองเป็นการเดินแบบสุ่มบนกราฟ ซึ่งความสามารถในการเข้าถึงแบบทั่วโลกช่วยให้ตัวแทนสามารถหลุดพ้นจากพื้นที่ที่เป็นค่าต่ำสุดท้องถิ่น การทดสอบกับ AutoGen, DyLAN และ AgentNet แสดงให้เห็นว่า DecentMem เพิ่มประสิทธิภาพเฉลี่ย 8.6% เมื่อเทียบกับฐานล่างหน่วยความจำแบบรวมศูนย์ที่ดีที่สุด และในสถานการณ์ที่ดีที่สุด เพิ่มขึ้นสูงถึง 23.8% พร้อมลดการใช้ Token ลงครึ่งหนึ่ง การวิจัยพบว่า ยิ่งการร่วมมือขึ้นอยู่กับการอภิปรายแบบไม่มีโครงสร้างมากกว่าขั้นตอนที่กำหนดไว้ ข้อได้เปรียบแบบกระจายจะชัดเจนยิ่งขึ้น โดยในกรอบงาน DyLAN ที่เน้นการเจรจาอย่างอิสระ จำนวนรอบการทำซ้ำที่จำเป็นเพื่อให้บรรลุประสิทธิภาพเท่ากันลดลงประมาณ 60% และความเร็วในการรวมตัวเพิ่มขึ้นประมาณ 2.5 เท่า