메모리 접근이 아닌 메모리 깊이: 장기 실행 언어 에이전트를 위한 선택적 파라미터 통합 (Selective Parametric

장기 실행 언어 에이전트 (Long-running language agents)에게는 단순한 메모리 접근 (memory access) 이상의 것이 필요합니다. 검색 시스템 (Retrieval systems)은 쿼리 시점에 과거의 사실들을 가져올 수 있지만, 작업 컨텍스트 (working context)가 언로드된 후 어떤 경험이 행동을 계속 형성해야 하는지를 결정하지는 못합니다. 우리는 이 별개의 문제를 메모리 깊이 (memory depth)로 연구합니다: 즉, 작은 파라미터 저장소 (parametric store)에 기록된 내구성이 있는 목표 조건부 성향 (goal-conditioned tendencies)입니다. 우리는 루프 드리프트 프로토콜 (loop-drift protocol)을 도입합니다. 이는 작업 컨텍스트가 언로드되는 동안 검색 인덱스 (retrieval index)는 온전하게 유지되면서, 장기 루프 간섭 (long-loop interference) 하에서도 목표 조건부 행동이 지속되어야 하는 통제된 스트레스 테스트입니다. 우리는 놀라움 (surprise) 및 가치 (valence)에 의해 게이트가 조절되는 LoRA 통합 메커니즘인 EVAF를 평가합니다. GPT-2와 TinyLlama를 대상으로 평가한 결과, 검색 (retrieval)은 얕은 사실적 회상 (shallow factual recall)에서 가장 강력한 성능을 보였으나 (단기 사실 정확도 0.956--0.973), EVAF는 200개의 이벤트당 단 2--3회의 파라미터 쓰기 (parametric writes)만으로도 목표 지속성 (goal persistence) 및 언로드 후 회복 (post-unload recovery)에서 가장 강력한 성능을 보였습니다 (0.812--0.904). 메커니즘 제어 실험을 통해 선택적 통합 (selective consolidation)이 선택 (selection)과 실행 (actuation)이라는 두 가지 제어 가능한 차원으로 인수분해됨을 보여줍니다. 매칭된 무작위 게이트 (Matched random gates)는 희소 쓰기 (sparse writing)를 넘어선 선택을 분리해냅니다; GPT-2, TinyLlama, Mistral-7B에 걸친 고정된 내부 제어 (fixed-inner controls)는 내부 루프 쓰기 강도 (inner-loop write strength)가 모델 의존적임을 보여줍니다; 그리고 Mistral-7B 매칭 게이트 반전 (matched-gate inversion) 실험은 잘못 보정된 실행 (miscalibrated actuation) 하에서 비대칭적인 선택-실행 결합 (selection-actuation coupling)을 드러냅니다. 공개된 Memora 이벤트 스트림은 외부 진단 도구 역할을 하며, 해결되지 않은 경계로서 오래된 메모리 무효화 (stale-memory invalidation) 문제를 노출합니다. 이 탐사 내에서, 선택적 파라미터 통합 (selective parametric consolidation)은 검색 접근 (retrieval access)과는 구별되면서도 이를 보완하는 메모리 깊이 (memory depth)를 제공합니다.