2026.08.19 WED03:09 JSTIBM
ALTK-Evolveでエージェント記憶量を最適化
- IBM Researchがエージェントの自己蒸留ガイドライン記憶量を検証。
- モデル能力で最適量が異なり、強いモデルは全量、弱いモデルは厳選が有効。
- ALTK-Evolveライブラリで再現可能。
目線
エージェント構築者がモデル別にガイドライン注入量を調整し、精度とトークンコストを最適化する判断材料になる。
対象
エージェント開発者・研究者
使える場面
- ReActエージェントへのメモリ注入設計
- モデル別のガイドラインretrieval最適化
- AppWorld類似のマルチステップタスク評価
試すなら
HFのALTK-Evolveライブラリを試す
確認点
AppWorldベンチ中心の結果で、他タスクへの一般化は要検証
背景
エージェントが過去軌跡からガイドラインを自己蒸留し文脈注入する手法で、量の影響を8モデルで比較。
何が変わったか
- 強いモデル（DeepSeek-V3.2等）はフルガイドラインセットでTGC+9.5pp
- 弱いモデル（gpt-oss-120b）は curated retrievalで+16.1pp・トークン+5%のみ
- 飽和モデルはほぼ効果なし
- prompt cachingでフルセットのコストを抑えられる
使える場面・影響
メモリは「オン」ではなくモデルに合わせた投与量が重要で、安価に精度向上可能。
試す前に確認
- ガイドラインは訓練分割のみから抽出
- SGC（厳格指標）でより大きな改善
- コンテキスト窓サイズの影響は未分離
一次ソース
- Hugging Face Blog (IBM Research)huggingface.co