LLMA-ಮೆಮ್ ಪ್ರಸ್ತುತ ಬಾಕಿಯಿದೆ 26.04 ನಿಲ್ಲಿಸಿ 上，ಎಲ್ಎಲ್ಎಂ ಬಹು-ಬುದ್ಧಿವಂತ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ “ತಂಡದ ಅಳತೆಯ ಸಮತಲ ವಿಸ್ತರಣೆ” ಮತ್ತು “ಸಮಯದ ಅನುಭವದ ಲಂಬ ಸಂಗ್ರಹಣೆ” ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ, ಮೆಮೊರಿ ವಿನ್ಯಾಸದ ಮೂಲಕ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ ಆಜೀವ ಕಲಿಕೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.
ಹಿನ್ನೆಲೆ
LLM ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ಸ್ (MAS) ಅನ್ನು ಎರಡು ವಿಭಿನ್ನ ಹಂತಗಳ ಮೂಲಕ ವಿಸ್ತರಿಸಬಹುದು:“ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದು” 和 “ಕಾಲಕ್ಕೆ ತಕ್ಕಂತೆ ಅನುಭವವನ್ನು ಸಂಗ್ರಹಿಸುವ ಮೂಲಕ ಸುಧಾರಿಸಿ”ಹಿಂದಿನ ಕೆಲಸವು ಈ ಎರಡು ನಿಯತಾಂಕಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದರೂ, ಅವುಗಳನ್ನು ನೈಜ-ಪ್ರಪಂಚದ ವೆಚ್ಚದ ನಿರ್ಬಂಧಗಳಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ.
ಕೋರ್ಈ ಪಠ್ಯವು LLM ಬಹು-ಬುದ್ಧಿವಂತ ದೇಹ ವ್ಯವಸ್ಥೆಯನ್ನು ತಂಡದ ಗಾತ್ರ ಮತ್ತು ಆಜೀವ ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯದಿಂದ ಜಂಟಿಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಪರಿಕಲ್ಪನಾ ವಿಸ್ತರಣಾ ಸ್ಥಳವಾಗಿ ಮುಂದಿಡುತ್ತದೆ. ಈ ದೃಷ್ಟಿಕೋನದಲ್ಲಿ, ವಿಸ್ತರಣೆಯು ಇನ್ನು ಮುಂದೆ ಏಕ-ಅಕ್ಷದ ಸಮಸ್ಯೆಯಾಗಿಲ್ಲ, ಆದರೆ ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಯಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ: ಕಾಲಾನಂತರದಲ್ಲಿ ತಂಡದ ಸಂಯೋಜನೆ ಮತ್ತು ಕಲಿಕೆಯ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯು ದೀರ್ಘಾವಧಿಯ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ದಕ್ಷತೆಯ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ?
ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಂಶೋಧನೆಯ ಮಿತಿಗಳು
-
ತಂಡದ ಗಾತ್ರವನ್ನು ವಿಸ್ತರಿಸಲಾಗಿದೆ： ಆರಂಭಿಕ ಕೆಲಸ ಮ್ಯಾಕ್ನೆಟ್ (ಕಿಯಾನ್ ಮತ್ತು ಇತರರು, 2024) ಸಹಕಾರದ ವಿಸ್ತರಣೆಯು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಮೋಡ್ ಅನ್ನು ಅನುಸರಿಸುತ್ತದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ, ಆದಾಯವು 递凯。 ಕಿಮ್ ಮತ್ತು ಇತರರು. al.(2025) ನ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ತುಲನಾತ್ಮಕ ಸಂಶೋಧನೆಯು ನಿಗದಿತ ಬಜೆಟ್ನ ಅಡಿಯಲ್ಲಿ ತಂಡದ ಗಾತ್ರವನ್ನು ವಿಸ್ತರಿಸುವುದರಿಂದ ಮಾರಾಟ, ಉಪಕರಣದ ಬಳಕೆ, ಸ್ಪರ್ಧೆ ಮತ್ತು ದೋಷ ವರ್ಧನೆಯ ಸಮನ್ವಯದಿಂದಾಗಿ ನಿವ್ವಳ ಋಣಾತ್ಮಕ ಆದಾಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. Xu et al.(2026) ಸಹ ಗಮನಸೆಳೆದಿದ್ದಾರೆ, ಬಹು ಸುತ್ತಿನ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ ಮತ್ತು KV-ಸಂಗ್ರಹದ ಮರುಬಳಕೆಯ ಮೂಲಕ ಒಂದೇ ಬುದ್ಧಿವಂತಿಕೆಯ ಬುದ್ಧಿವಂತಿಕೆಯ ಅದೇ ಗುಣಮಟ್ಟವು ದೊಡ್ಡ-ಪ್ರಮಾಣದ ತಂಡಗಳ ಪ್ರಯೋಜನವನ್ನು ಬಹಳವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಅಥವಾ ತೆಗೆದುಹಾಕುತ್ತದೆ.
-
终身学习 ವಿಸ್ತರಣೆ） 手机工作如 ಏಜೆಂಟ್ ವರ್ಕ್ಫ್ಲೋ ಮೆಮೊರಿ） ವಾಂಗ್ ಮತ್ತು ಇತರರು, 2024）, ರೀಸನಿಂಗ್ಬ್ಯಾಂಕ್ (ಔಯಾಂಗ್ ಮತ್ತು ಇತರರು, 2025）, ಸಿಂಪಲ್ಮೆಮ್（ಲಿಯು ಮತ್ತು ಇತರರು., 2026.
ಎರಡು ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳು
ವಿಧಾನ
LLMA-ಮೆಮ್ ಇದು ಏಕೀಕೃತ ಮೆಮೊರಿ ಚೌಕಟ್ಟಾಗಿದ್ದು, ಮೂರು ಪರಸ್ಪರ ಅವಲಂಬಿತ ಮೆಮೊರಿ ಮಾಡ್ಯೂಲ್ಗಳಿಂದ ಕೂಡಿದೆ ಮತ್ತು ವಿವಿಧ ರೀತಿಯ ಮೆಮೊರಿಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
三大 ಮೆಮೊರಿ ಮಾಡ್ಯೂಲ್
-
情景旅行（ಎಪಿಸೋಡ್ ಮೆಮೊರಿ
-
ಕಾರ್ಯ ಸಂದರ್ಭ, ಬುದ್ಧಿವಂತ ಸಂವಹನ, ಫಲಿತಾಂಶಗಳು ಮತ್ತು 亍果和亍 ಸೇರಿದಂತೆ ಹಿಂದಿನ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಿದ ಶ್ರೀಮಂತ ದಾಖಲೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ
-
ಸ್ವರೂಪದ ವ್ಯಾಖ್ಯಾನ:\(e_i = \langle a_{\mathrm{id}}, t_i, \tau_i, C_i, \mathcal{A}_i, o_i, c_i, \mathcal{L}_i, \mathcal{P}_{i}^{\mathrm{rel}} \rangle\)
-
ಕಾರ್ಯ: ಮೂಲ ಅನುಭವದ ಆಧಾರದ ಅನುಸರಣಾ ಅಮೂರ್ತವಾಗಿ, ಕೇಸ್ ಸ್ಟಡೀಸ್ ಆಧಾರಿತ ಬೆಂಬಲ
-
-
ಕಾರ್ಯವಿಧಾನದ ಸ್ಮರಣೆ
-
从情景电影中从情景电影中可重用ತಂತ್ರಗಳು和力事的剧情主要讲述了:
-
与情景杯时间的情动情内容的剧情主要讲述了:ಬಹು ಕಾರ್ಯಗಳಲ್ಲಿ ಮೆಮೊರಿಯನ್ನು ಸೆರೆಹಿಡಿಯುವ ಪ್ರಕ್ರಿಯೆಯು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸಾಬೀತಾಗಿದೆ.
-
ಸ್ವರೂಪದ ವ್ಯಾಖ್ಯಾನ:\(p_j = \langle a_{\mathrm{id}}, t_j^c, t_j^d, \eta_j, \kappa_j, s_j, f_j, \mathcal{E}_j^{\mathrm{src}} \rangle\)
-
ಅಂದಾಜು ವಿಶ್ವಾಸಾರ್ಹತೆ:\(rho_j = \frac{s_j}{s_j + f_j}\)(ಹೆಚ್ಚು ಅಮೂರ್ತ ಪ್ರೀತಿಯ ಸ್ಮರಣೆ, ಹೆಚ್ಚು ಪ್ರೋಗ್ರಾಂ ಮೆಮೊರಿ, ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ)
-
ಕಾರ್ಯಾಚರಣೆ: ಕಾಂಪ್ಯಾಕ್ಟ್ ಪ್ರೋಗ್ರಾಂ ಮೆಮೊರಿಗಾಗಿ ಮೂಲ ಟ್ರ್ಯಾಕ್ ಅನ್ನು ಕುಗ್ಗಿಸುವ ಮೂಲಕ, ಟೋಕನ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಿ
-
-
ಟ್ರಾನ್ಸಾಕ್ಟಿವ್ ಮೆಮೊರಿ
-
“ನಿಮಗೆ ಏನು ಗೊತ್ತು”, 即 ತಂಡ 内官生长什么、谱手长上的 ಮಾಹಿತಿ
-
ಪ್ರತಿ ಬುದ್ಧಿವಂತ ದೇಹದ ವೃತ್ತಿಪರ ಕ್ಷೇತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ, ಸಮರ್ಥ ಕಾರ್ಯ ಹಂಚಿಕೆ ಮತ್ತು ಸಮನ್ವಯವನ್ನು ಬೆಂಬಲಿಸಿ
-
ವಿಶ್ವಾಸಾರ್ಹತೆ ನವೀಕರಣ:\(\xi_k^{(t+1)} = \frac{\mathrm{success}_k}{\mathrm{total\_work}_k}\)
-
ಮೂರು ರೀತಿಯ ಮೆಮೊರಿ ಕಾನ್ಫಿಗರೇಶನ್
-
ಸ್ಥಳೀಯ ಸ್ಥಳಶಾಸ್ತ್ರ: ಪ್ರತಿಯೊಂದು ಸ್ಮಾರ್ಟ್ ಫೋನ್ ಖಾಸಗಿ ಮೆಮೊರಿ ಲೈಬ್ರರಿಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ \(\mathcal{M}_i = \rangle \mathcal{E}_{i}, \mathcal{P}_{i}, \mathcal{T}_{i} \rangle\)。 ಜ್ಞಾನವು ಗೋಚರ ಸಂವಹನದಲ್ಲಿ ಮಾತ್ರ ಹರಡುತ್ತದೆ. ಪ್ರಯೋಗದ ಫಲಿತಾಂಶಗಳು ಈ ತಂತ್ರಜ್ಞಾನವು ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಕಲಿಕೆಯ ಸನ್ನಿವೇಶದಲ್ಲಿ ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.
-
ಉದಾಹರಣೆಗೆ ಹಂಚಿದ ಸ್ಥಳಶಾಸ್ತ್ರ: ಕೇಂದ್ರೀಕೃತ ಮೆಮೊರಿ ಲೈಬ್ರರಿಗೆ ಎಲ್ಲಾ ಬುದ್ಧಿವಂತ ಪ್ರವೇಶ \(\mathcal{M}_{\text{share}}\)。 ಎಲ್ಲಾ ಅನುಭವವು ಸಾರ್ವಜನಿಕ ಪೂಲ್ಗೆ ಕೊಡುಗೆ ನೀಡಿತು，利于国家复用但可以可以可以部部
-
ಹೈಬ್ರಿಡ್ ಟೋಪೋಲಜಿ:\(\mathcal{M}_{i}^{\text{hybrid}} = \langle \mathcal{E}_{i}^{\text{local}}, \mathcal{T}_{i}^{\text{local}}, \mathcal{P}_{\text{shared}}, \mathcal{T}_{\}。情景上海上的地地(ಮೀಸಲು ಪಾತ್ರದ ನಿರ್ದಿಷ್ಟ ಅನುಭವ), ಪ್ರೋಗ್ರಾಂ ಮೆಮೊರಿ和team统统结果共可
ಜೀವನ ಚಕ್ರ ಸ್ಮರಣೆ
-
ಮರುಪಡೆಯುವಿಕೆ:
-
ಹುಡುಕಾಟ ಭಾಗ:\(\mathrm{note}(m,q) = \mathrm{rel}(m,q) + \mathrm{imp}(m)\)
-
ಅವರಲ್ಲಿ \(\mathrm{rel}(m,q)\) 语义直多性\(\mathrm{imp}(m)\) ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವುದು
-
分山 ಸ್ಟ್ರಾಟಜಿ: ಮೆಮೊರಿ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಪ್ರಶ್ನಿಸಲು ಆದ್ಯತೆ, 若无安全电影电影则回退到情景 ಮೆಮೊರಿ
-
-
ನವೀಕರಿಸಿ:
-
ಲವ್ ಸ್ಟೋರಿ ಮೆಮೊರಿಗೆ ಹೊಸ ಲವ್ ಸ್ಟೋರಿ ಸೇರಿಸಲಾಗಿದೆ:\(\mathcal{E}^{(t+1)} = \mathcal{E}^{
-
ಪ್ರೋಗ್ರಾಂ ಬಳಕೆಯ ಅಂಕಿಅಂಶಗಳ ನವೀಕರಣ:\(s_j^{(t+1)} = s_j^{
-
ಇಂಟರಾಕ್ಟಿವ್ ಮೆಮೊರಿ ಅಂಕಿಅಂಶಗಳು ರಿಫ್ರೆಶ್
-
-
ಏಕೀಕರಣ(ಪ್ರತಿ N 个情景 ಒಮ್ಮೆ ಪ್ರದರ್ಶನಗೊಂಡಿತು):
-
按情景中学到的教训 (ಪಾಠಗಳು_ಕಲಿತ）最作语义聚类
-
ಯಶಸ್ವಿ ಅನುಭವದಿಂದ ಸಾಮಾನ್ಯ ತಂತ್ರವನ್ನು ಹೊರತೆಗೆಯಿರಿ
-
ಹೊಸ ಪ್ರೋಗ್ರಾಂ ಮೆಮೊರಿಯನ್ನು ರಚಿಸಿ, ಅನಗತ್ಯ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ತೆಗೆದುಹಾಕಿ
-
ಅಲ್ಗಾರಿದಮ್ 1:
输入：情景记忆 ε
输出：新程序 P_new
1. 按 lessons_learned 的语义相似度对情景聚类
2. 对每个大小 ≥ 2 的簇：
3. 取成功的经验 E_succ
4. 若 |E_succ| ≥ 2，从中提取通用策略，创建程序
5. 移除源情景是其他程序子集的冗余程序
ಪ್ರಯೋಗ
ಪರೀಕ್ಷಾ ಸೆಟಪ್
-
ಬೆಂಚ್ಮಾರ್ಕ್ (ಉಲ್ಲೇಖ):ಮಲ್ಟಿಏಜೆಂಟ್ ಬೆಂಚ್(ಝು ಮತ್ತು ಇತರರು, 2025), ಮೂರು ಸಹಯೋಗ ಪರಿಸರವನ್ನು ಆಯ್ಕೆ ಮಾಡಿ: ಪ್ರೋಗ್ರಾಮಿಂಗ್ (ಕೋಡಿಂಗ್), ಸಂಶೋಧನೆ (ಸಂಶೋಧನೆ), ಡೇಟಾಬೇಸ್
-
ಮಾದರಿ：ಕ್ಲಾಡ್-ಸಾನೆಟ್-4.5, ಡೀಪ್ಸೀಕ್-ವಿ3.2, ಕ್ವೆನ್3-ನೆಕ್ಸ್ಟ್-80ಬಿ, ಕ್ವೆನ್3-32ಬಿ-ಇನ್ಸ್ಟ್ರಕ್ಟ್, ಕ್ಲೌಡ್-ಸಾನೆಟ್-4.5可以电影电影安全安全倁倉倂所型倂扇型倂所所型倂API设计
-
基线:
-
ಹೆಚ್ಚಿನ ಸ್ಮರಣೆ: ಮೆಮೊರಿ ಮಾಡ್ಯೂಲ್ ಇಲ್ಲ
-
ಅಮೃತಶಿಲೆ（Zhu et al., 2025）: MultiAgentBench 原生的多电影体联系结果，含短时、long时和ಹಂಚಿದ ಸ್ಮರಣೆ
-
ಎ- ನಾನು(Xu et al., 2025): ಮೆಮೊರಿ ಫ್ರೇಮ್ವರ್ಕ್ನ ಪ್ರತಿನಿಧಿ，ಡೈನಾಮಿಕ್ ಜ್ಞಾನ ನೆಟ್ವರ್ಕ್ 和演化 ಮೆಮೊರಿ ಸಂಗ್ರಹಣೆಯನ್ನು ನಿರ್ವಹಿಸಿ
-
-
ಸೂಚಕಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ:
-
TS (ಟಾಸ್ಕ್ ಸ್ಕೋರ್): ಅಂತಿಮ ಕಾರ್ಯದ ಔಟ್ಪುಟ್ ನಿಖರತೆ/ಗುಣಮಟ್ಟ
-
CS (ಸಂವಹನ ಟಿಪ್ಪಣಿಗಳು): ಬುದ್ಧಿವಂತ ಸಂವಹನ ಮತ್ತು ಗುಣಮಟ್ಟದ ಯೋಜನೆ
-
ಎಎಸ್(ಟಿ):\(\frac{1}{t}\sum_{i=1}^{t}S_i\)
-
AAS (ಸರಾಸರಿ AS):\(\frac{1}{T}\sum_{i=1}^{T}AS(i)\)，电视安全电影电影电影的性量汇总
-
CMA_t:\(\sum_{i=1}^{t}(s_i^{\mathrm{method}} – s_i^{\mathrm{no\_mem}})\)，设计时时间基线线语增益
-
ಮುಖ್ಯ ಫಲಿತಾಂಶಗಳು (ಕೋಷ್ಟಕ 1)
-
LLMA-ಮೆಮ್ 在 TS 上电影月持平，如 Qwen3-next-80B 在研究电影最好时间 +10.67
-
CS ಪ್ರವೃತ್ತಿಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗಿವೆ: 交可柛的交可柛 交可柛
-
从终身学习电影（AAS）看，LLMA-ಮೆಮ್ ಸ್ಪಷ್ಟ ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿದೆ:
ವೆಚ್ಚ ವಿಶ್ಲೇಷಣೆ (1)
-
LLMA-Mem 比 MARBLE 和 A-Mem ಟೋಕನ್ 用量更低，降分品 19.4% ರಿಂದ 171.7%
-
ಕೆಳಗಿನ ಇನ್ಪುಟ್ ಟೋಕನ್ನಿಂದ ಮುಖ್ಯ ಇನ್ಪುಟ್ ಅನ್ನು ಉಳಿಸಿ.
-
ಕೀ: LLMA-Mem 的增益 ಹೆಚ್ಚು ಟೋಕನ್ಗಳನ್ನು ಸೇವಿಸುವ ಮೂಲಕ ಪಡೆಯಲಾಗಿಲ್ಲ, ಆದರೆ ಟೋಕನ್ಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವಾಗ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ 涗
ತಂಡದ ಗಾತ್ರದ ಪ್ರಭಾವ (图1)
-
ಜಾಗವನ್ನು ವಿಸ್ತರಿಸಿ：从时间维度看，ಎಲ್ಲ ತಂಡದ ಪ್ರಮಾಣ 下下LLMA-ಮೆಮ್ 都都上是以上上下载下彽
-
非单调性（ನಾನ್-ಮಾನೋಟೋನಿಕ್）:
-
Qwen3-32B-ಸೂಚನೆ 中 3 伊体体道于优于 5
-
ಕ್ಲೌಡ್-ಸಾನೆಟ್-4.5 中 5 ಬುದ್ಧಿವಂತ ತಂಡ
-
ಕೋರ್: ಹೆಚ್ಚು ಬಲವಾದ ಅನುಭವದ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಮೆಮೊರಿ ವಿನ್ಯಾಸವನ್ನು ಬೆಂಬಲಿಸಿ, ದೀರ್ಘಾವಧಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಸಣ್ಣ ತಂಡವನ್ನು ಹೆಚ್ಚು ಮೆಮೊರಿ ವಿನ್ಯಾಸವನ್ನು ಮಾಡಬಹುದು
-
-
ಇದು ದೃಷ್ಟಿಕೋನವಾಗಿದೆ: ಏಕರೂಪದಲ್ಲಿ ತಂಡದ ಗಾತ್ರವನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಹೆಚ್ಚಿನ ಲೆಕ್ಕಾಚಾರದ ವೆಚ್ಚಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. Qwen3-32B-ಇನ್ಸ್ಟ್ರಕ್ಟ್ LLMA-Mem 的终身学仈身学于intelligent体team在电影体上上这个下载 ನಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಿತು
ಕರಗಿಸುವ ಪ್ರಯೋಗ (ಕೋಷ್ಟಕ 3)
1. ಮೆಮೊರಿ ಪ್ರಭಾವ (N=5 ಸ್ಥಿರ):
-
ಸ್ಥಳೀಯತೆTS, CS, AAS 三项金行上均最好 ನಲ್ಲಿ
-
归因:ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಸರದಲ್ಲಿ, ವಿಭಿನ್ನ ಬುದ್ಧಿವಂತಿಕೆಗಳು ವಿಭಿನ್ನ ಕ್ರಿಯಾತ್ಮಕ ಪಾತ್ರಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ (ವಿಘಟನೆ, ಅನುಷ್ಠಾನ, ಡೀಬಗ್ ಮಾಡುವಿಕೆ, ಪರಿಶೀಲನೆ). ಸ್ಥಳೀಯ ಸ್ಮರಣೆಯು ಪ್ರತಿ ಬುದ್ಧಿವಂತಿಕೆಗೆ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಅದರ ಪಾತ್ರದೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಅನುಭವವನ್ನು ಪಡೆಯಲು ಅನುಮತಿಸುತ್ತದೆ, ನಂತರದ ಮರುಪಡೆಯುವಿಕೆ ಹೆಚ್ಚು ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತದೆ ಮತ್ತು ನೇರವಾಗಿ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾಗಿದೆ.
2. 推行说(N) ಪ್ರಭಾವ:
ಸಾರಾಂಶ
LLMA-ಮೆಮ್ ಇದು LLM “ತಂಡದ ಪ್ರಮಾಣದ ವಿಸ್ತರಣೆ” ಮತ್ತು “ಸಮಯದ ಅನುಭವ ಸಂಗ್ರಹಣೆ” ಸಂಬಂಧದ ನಡುವಿನ ಸಂಬಂಧವಾಗಿದೆ.
ಪ್ರಬಂಧ ಶೀರ್ಷಿಕೆ（ಟೀಮ್ ಸ್ಕೇಲ್ ಅಥವಾ ಟೈಮ್ ಸ್ಕೇಲ್? ಮೆಮೊರಿಯು LLM ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ಜೀವಮಾನದ ಕಲಿಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ
ಲೇಖಕ: ಶಾಂಗ್ಲಿನ್ ವು, ಯುಯಾಂಗ್ ಲುವೊ, ಯುಯೆಕಿಂಗ್ ಲಿಯಾಂಗ್, ಕೈವೆನ್ ಶಿ, ಯಾನ್ಫಾಂಗ್ ಯೆ, ಅಲಿ ಪಯಾನಿ, ಕೈ ಶು
ಸಂಘಟನೆಎಮೋರಿ ವಿಶ್ವವಿದ್ಯಾಲಯ, ಇಲಿನಾಯ್ಸ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ, ನೊಟ್ರೆ ಡೇಮ್ ವಿಶ್ವವಿದ್ಯಾಲಯ, ಸಿಸ್ಕೋ ಸಂಶೋಧನೆ
ಕೋಡ್https://github.com/ShanglinWu/MAS_lifelong_learning
ಪ್ರಮುಖ ಪದಗಳುLLM ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ಸ್, ಲೈಫ್ಲಾಂಗ್ ಲರ್ನಿಂಗ್, ಮೆಮೊರಿ ಆರ್ಕಿಟೆಕ್ಚರ್, ಟೀಮ್ ಸೈಜ್ ಸ್ಕೇಲಿಂಗ್, ಪ್ರೊಸೀಜರಲ್ ಮೆಮೊರಿ
