arXiv cs.AIは2026年10月1日(現地時間)、長期間にわたり外部メモリをワールドモデルとして利用する言語エージェントの記憶痕跡に関する研究論文を公開した。同論文は、従来のメモリ評価基準であるタスク成功やトークンコストに加え、メモリ使用の「形状」が重要であると指摘。エージェントのメモリが特定の「コア」に集中し、稀な状態が「テール」に残存して予測エラーが蓄積される現象を詳細に分析し、その特性を解明した。
Xinyuan Song氏とZekun Cai氏が執筆した同論文は、保守的な「テール監査」を通じ、メモリ集中が再現可能であること、その特性がポリシーに依存することを示した。ランダムウォークエージェントが対数正規分布互換の検索アーティファクトを生成する一方、セマンティックな大規模言語モデル (LLM) ポリシーは、最も強力な切断べき乗則互換のコア・テールトレースを生じさせると報告されている。
この監査結果に基づき、研究者らはCore—Tail World Model (CTWM) を提案した。CTWMはランクベースのメモリコントローラーとして機能し、単一の指数 $\tau$ を用いてプロンプトの予算を割り当てると同時に、要約されたテール情報を保持する。実験では、Synthetic Graph WorldにおいてCTWMが状態と遷移の網羅性を維持しつつ、プロンプトトークンを5.9%削減、下位半分のテール予測エラーをグラフメモリベースライン比で13.6%低減したことが報告された。
ALFWorldでの比較においても、CTWMは一貫したトークン削減を示した。LongMemEvalでは、集計精度が同等で24.48%のトークン削減を達成している。これらの結果は、ヘビーテールドメモリトレースが、有限な情報検索の診断ツールとしてだけでなく、トークン効率の高いエージェントワールドモデルにおける実用的な制御信号としても機能する可能性を示唆している。
参考: arXiv cs.AI (アーカイブ) — 2026年10月2日 13:00 (JST)