AutoMem ускоряет long-horizon агентов в 2–4 раза

Новая работа предлагает обучать память агента как отдельный cognitive skill.

Идея в том, что агент должен не просто складывать всё в контекст, а учиться:

• что сохранять
• как кодировать информацию
• когда доставать нужные данные
• как менять структуру памяти после опыта

AutoMem использует два цикла: LLM пересобирает memory structure по прошлым траекториям, а затем улучшает её через удачные решения.

На Crafter, MiniHack и NetHack авторы показывают, что одна только оптимизация памяти уже даёт сильный прирост и местами приближает агентов к frontier-моделям.

Почему это важно: long-horizon задачи часто ломаются не из-за слабого reasoning, а из-за плохой памяти. Агент забывает контекст, хранит мусор или не может достать нужный факт вовремя.

AutoMem пытается решить именно этот bottleneck без полного переобучения под каждую задачу.

Потенциально полезно для игровых агентов, робототехники и автономных workflow.

arxiv.org/abs/2607.01224