Как ActionRAG пересматривает свидетельства при диффузии по графу памяти LLM-агентов
Предложена архитектура графовой памяти, которая на этапе индексации аккуратно согласует сущности, а при запросе заново оценивает связи с опорой на локальную структуру. На MemoryAgentBench метод показал среднюю точность 55,1 и прирост 5,4 п.п. к сильнейшему извлекающему baseline при стоимости синтеза ниже $0,001 за запрос.
Где ломается память агента
Авторы отмечают два класса сбоев памяти. Первый связан с индексацией. Второй проявляется при онлайн-извлечении.
- Ошибки индексации могут разделять повторяющиеся сущности.
- Те же ошибки могут объединять разные сущности.
- Онлайн-извлечение может считать начальные оценки сходства окончательными.
- Окружающий граф может давать основания пересмотреть эти оценки.
Практический критерий: способность памяти пересматривать начальные оценки на этапе запроса.
Индексация: согласование типов и разрешение сущностей
Конвейер индексации в ActionRAG выполняет два шага.
- Согласует метки типов.
- Применяет многоуровневое разрешение сущностей.
Эти шаги относятся к осторожной индексации. Ошибки индексации остаются отдельным риском. Практический критерий: наличие согласования типов и многоуровневого разрешения сущностей.
Извлечение при запросе: два канала и локальный граф
Для запроса ActionRAG извлекает сущности и тройки по двум каналам. Эти данные формируют начальный набор доказательств и ограниченный локальный граф.
- Два канала извлечения дают сущности и тройки.
- Начальный набор доказательств формируется из этих данных.
- Ограниченный локальный граф формируется из этих данных.
Практический критерий: локальный граф вокруг запроса, а не пересмотр всей памяти.
Диффузия доказательств с защитой прямых связей
Нормализованная по получателям диффузия, обусловленная запросом, уточняет оценки троек. Она учитывает структуру локальных путей. Пересмотр опирается на защиту прямых доказательств и восстановление пропусков.
Три механизма поддерживают этот пересмотр:
- защита начальных узлов помогает сохранять прямые доказательства;
- штрафуемый за хабы поток штрафует поток через хабы;
- материализация троек помогает восстанавливать пропущенные связи.
Практический критерий: сохранение прямых доказательств при диффузии.
Что показывает оценка на MemoryAgentBench
MemoryAgentBench (MAB) проверяет четыре вещи:
- точность извлечения;
- разрешение конфликтов;
- понимание дальних связей;
- обучение во время тестирования.
Результаты ActionRAG в MAB:
| Показатель | Результат |
|---|---|
| Средняя точность в восьми столбцах с детерминированной оценкой | 55,1 |
| Превышение над сильнейшим базовым методом памяти на основе извлечения | 5,4 пункта |
| Средняя стоимость синтеза при учёте времени запроса | ниже $0.001 за запрос в четырёх представленных столбцах затрат |
| Сумма отдельно измеренных компонентов retrieval-side p99 | 440,7 мс на потребительской системе Apple Silicon |
Практический критерий: отдельный учёт точности, стоимости синтеза и p99 компонентов извлечения.
Часто задаваемые вопросы
Похожие материалы
Все материалы
Британский инспектор по иммиграции решает, проверять ли GPT-4 в Home Office
Независимый надзорный орган по границам и иммиграции запросил у правозащитной организации сведения о двух системах на базе OpenAI, которые Home Office применяет при работе с материалами просителей убежища. Статья объясняет, почему сомнения в точности сводок, отсутствие публичного реестра и скрытость применения могут привести к официальной проверке и юридическим претензиям.
3 ноября 2026
Переход к вероятностному симплексу сокращает модальный разрыв в контрастивных мультимодальных моделях
В работе arXiv:2610.32890 предлагается заменить сферические эмбеддинги вероятностным симплексом, добавив лёгкие softmax-адаптеры и сходство Total Variation. На пяти бенчмарках поиска центроидное ℓ2-расстояние между модальностями снижается на 97–99% при сохранении или росте качества поиска.
3 ноября 2026
Пятнадцать компаний поддержали MDK Tether для автоматизации майнинга
Производители оборудования, пулы и операторы взяли на себя разработку интеграций с открытым набором Tether для унификации мониторинга и управления техникой; ИИ-агент QVAC уже работает на этой основе. Независимых подтверждений снижения затрат на электроэнергию или роста эффективности пока не опубликовано.
2 ноября 2026