IBM、エージェント記憶手法「ALTK-Evolve」の詳細を公開
タスク固有のガイドラインを検索し、ACEに比べて推論トークンを削減するシステム。
なぜ重要か
この比較は、推論時にメモリをどう提供するかが、AIエージェントのコストと性能を左右する要因になり得ることを示している。選択的な検索により、エージェントシステムは各ステップで完全なプレイブックを読み込むコストを払わずに、過去の経験を活用できる可能性がある。
要点
- 1.ALTK-EvolveとACEはいずれも、エージェントの軌跡から再利用可能な教訓を学習する。
- 2.IBMによると、AppWorldテストでは選択的な提供により、ACEに比べてタスクあたりのトークン数が削減された。
- 3.ALTK-Evolveのライブラリと技術レポートは、投稿から入手できる。
IBM ResearchはHugging Faceへの投稿で、エージェント型メモリ手法であるALTK-EvolveとACEを比較した。いずれも、エージェントの過去の軌跡を、重み更新や人手によるラベル付けなしに再利用可能な教訓へ変換する。投稿によると、ALTK-Evolveは教訓を個別に検索可能なガイドラインへ統合する一方、ACEは包括的なプレイブックを各ステップで注入する。IBM社内のAppWorldテストでは、168件のタスクにおいて、ALTK-EvolveはDeepSeek-V3.2とgpt-oss-120b上で、ACEと同等またはそれを上回るタスク完了スコアとシナリオ完了スコアを示しつつ、タスクあたりのトークン使用量を抑えた。
⚡ 今日から使える
エージェントのワークフローに大規模な常時オンのメモリプロンプトを追加する前に、選択的なガイドライン検索を評価すべきだ。
出典・一次報道
本記事は以下の媒体の報道を要約し、リンクしています。
この記事が役に立ちましたか？次号をメールでお届けします。
関連： 研究
新研究、視覚AIの空間知能を検証
SpaRRTa、SMA、PinpointQAは、視覚AIや身体性AIシステムの空間推論を評価・改善する。
CW-BASS v2、DINOv2による疑似ラベル選別を標的に
基盤モデル教師の下で、半教師ありセグメンテーション向けのフィルタリングを適応させる手法。
ChatGPT Enterpriseの組織内利用を調査した研究
arXivの論文は、2026年3月までの企業アカウント記録を職種、タスク、企業データと結びつけて分析している。