詳細を読む
IBM Researchなどの研究チームは2026年8月18日、AIエージェントに持たせる記憶（メモリ）の最適な量はモデルの性能によって異なるとする検証結果を公開しました。30B規模の中型モデルから最先端の独自モデルまで8種類で評価したところ、強力なモデルほど多くのガイドラインを与えると成果が伸びる一方、非力なモデルには厳選した情報を絞って与える方が効果的であることが分かりました。
具体的には、117B規模のgpt-oss-120bに絞り込んだガイドラインを与えたところ、タスク完了率が16.1ポイント向上しました。使用トークン数の増加はわずか5%にとどまり、性能とコストを両立できることが示されています。一方、671BのDeepSeek-V3.2は全ガイドラインを与えた場合に9.5ポイント向上しており、モデルの余力に応じて投与量を変えるべきだと分かります。
GLM-5のようにすでに高い性能を発揮しているモデルでは、ガイドラインを追加しても目立った改善は見られませんでした。研究チームはこれを「飽和」パターンと呼び、モデルがすでに上限に近い状態にあるか、与えた情報が残された弱点に合っていない可能性を指摘しています。
また、全ガイドラインを毎ステップ投入する方式はトークン消費が最大78%増加する一方、必要な情報だけを取り出す厳選型の検索方式ならコスト増加はほぼゼロに抑えられます。実運用ではプロンプトキャッシュを活用することで、全件投入方式でもコストを抑えられるとしています。
この仕組みはALTK-Evolveと呼ばれ、エージェント自身の過去の実行履歴から成功・失敗の教訓を抽出し、モデルの重みを更新せずに次のタスクの文脈情報として与える手法です。研究チームは、記憶は単に蓄積するのではなく、モデルの能力に合わせて調整することが重要だとしています。