핵심

메모리를 STM · MTM · LPM 세 단으로 조직합니다. STM→MTM은 dialogue-chain FIFO, MTM→LPM은 segmented page 전략으로 갱신하고, heat 기반으로 자주 쓰는 내용을 상위로 올립니다. MemGPT의 2단 구조를 3단으로 확장했습니다.

발제 포인트 (기여 · 한계)

기여: 시간 축 계층화 + heat 승격으로 LoCoMo에서 강한 성능. / 한계: 단계 전이·heat 임계 등 휴리스틱이 많고, 대화형 외 task엔 미검증.

이 주의 질문

기억의 시간 구조를 어떻게 나눌까요?

1. 서론

• 본 논문은 EMNLP 2025 Oral로 선정된 논문
• 운영체제에서 영감을 얻어 메모리 저장(Storage), 갱신(Updating), 검색(Retrieval), 생성(Generation) 으로 구성된 계측정 메모리를 제안. 4가지 동작이 상호 협력을 하는 형태로 구성함(최초시도)
• 메모리 구조는 단기 기억(short-term memory, STM), 중기 기억(mid-term memory, MTM), 장기 개인 기억(long-term personal memory, LTM) 구조로 구성
• 본 논문에서 선도적으로 제안하는 MemoryOS는 LoCoMo 벤치마크에서 수행한 광범위한 실험 결과, GPT-4o-mini 기준으로 베이스라인 대비 평균 F1 49.11%, BLEU-1 46.18% 향상을 보여 긴 대화에서의 맥락적 일관성과 개인화된 기억 유지 능력을 입증

2. 성능

• LoCoMo benchmark에서 GPT-4o-mini 기준으로 평균 F1 49.11%, BLEU-1 46.18% 향상을 달성
• 반면 비교적 쉬운 GVD 데이터셋에서는 모든 방법이 더 높은 baseline accuracy를 달성함 및 SOTA 베이스라인인 A-Mem을 정확도 3.2% 상회

Locomo Dataset

locomo10.json (list, len=10)