イェール大学 (Yale University) のペイウェン・リ (Peiwen Li) 氏らは2026年11月12日(現地時間)、複数タスクを連続して処理するコーディングエージェント向けの新しいメモリフレームワーク「CoReMem (Coding-Repository Memory)」に関する論文をarXiv cs.AIで公開した。このフレームワークは、将来の有用性とメモリの書き込み・読み込みコストのバランスを取りながら、進化するリポジトリ上で連続的なコーディングタスクに取り組むエージェントの性能向上を目指す。評価の結果、CoReMemはChainSWEベンチマークにおいて、27Bアクターの解決率を21.0%から25.7%に向上させ、ステップ数を17%削減、キャッシュアウェアトークン総数を11%削減したと報告されている。

CoReMemは、コーディングエージェントが未知の次のタスクに備えてメモリを選択する際に、将来の有用性とメモリの書き込みおよび読み込みコストのバランスをとることを可能にする。また、タスクが展開する中で、利用可能なメモリがいつ作業負荷を軽減するかをエージェントが判断できるようにする。

このフレームワークは、次タスクにおける測定されたメモリ価値を通じて、メモリ設計とアクターの適応を導く。将来的なセグメント評価により、同じ継承リポジトリ状態からの個々の軌道セグメントの有無にかかわらず次タスクの実行を比較し、リポジトリの場所と実行可能なチェックを基盤とするコンパクトなメモリを構築する。アクターの適応は、メモリの有無にかかわらず、ロールアウトグループ内でのオンポリシーメモリ価値を推定し、解決を優先し、成功した実行におけるステップ数をペナルティとする報酬を用いる。

CoReMemは、ChainSWEにおいて27Bアクターの解決率を21.0%から25.7%に引き上げた。これは、メモリを使用しない未学習のアクターモデルと比較して、ステップ数を17%削減し、メモリモジュール呼び出しを含むキャッシュアウェアトークン総数を11%削減した結果である。この研究は、イェール大学のペイウェン・リ氏、ハーシット・ヴェルマ氏、ソフィア・ゾウ氏、ハイウェン・ワン氏、ゴック・ブイ氏、清華大学 (Tsinghua University) のヘン・チャン氏、Goodvision AIのフェイ・フェイ氏、イェール大学のデイビッド・ファン・ダイク氏、レックス・イン氏らによって執筆された論文で報告された。


参考: arXiv cs.AI — 2026年11月13日 03:58 (JST)

原文ハイライト

"We introduce Coding-Repository Memory (CoReMem), a cost-internalizing framework"

この記事をシェア
X はてブ LinkedIn