ActiveMem: Distributed Active Memory for Long-Horizon LLM Reasoning

📄 arXiv: 2606.10532v1 📥 PDF

作者: Yunhan Jiang, Wenbin Duan, Shasha Guo, Liang Pang, Xiaoqian Sun, Huawei Shen

分类: cs.AI

发布日期: 2026-06-09

💡 一句话要点

提出ActiveMem以解决长时间推理任务中的记忆管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长时间推理 分布式记忆 大型语言模型 记忆管理 智能助手

📋 核心要点

  1. 现有的集中式记忆机制在处理长时间推理任务时容易导致上下文过载或信息丢失。
  2. ActiveMem通过将记忆管理与推理过程解耦，采用分布式记忆系统来优化信息的积累与整合。
  3. 实验结果显示，ActiveMem在多个基准测试中实现了更高的准确性和更低的计算开销。

📝 摘要（中文）

记忆对于使大型语言模型（LLM）代理处理长时间推理任务至关重要。现有的记忆机制主要是集中式的，通常在单一模型上下文中组织检索的信息和交互历史。这种设计带来了根本性的权衡：推理轨迹的扩展可能导致上下文过载，而激进的内容修剪可能导致不可逆的信息丢失。为此，本文提出ActiveMem，一个异构框架，将代理记忆与核心推理过程解耦。高层次的规划者利用提炼的语义要点执行推理，而轻量级的分布式记忆系统则并行工作，积极积累和整合这些要点。实验结果表明，ActiveMem在BrowseComp-Plus和GAIA上实现了最先进的准确性，并显著降低了开销，展示了分布式主动记忆在长时间推理中的有效性。

🔬 方法详解

问题定义：本文旨在解决现有集中式记忆机制在长时间推理任务中导致的上下文过载和信息丢失问题。现有方法在扩展推理轨迹时面临显著的性能瓶颈。

核心思路：ActiveMem的核心思想是借鉴人类认知系统的功能互补性，将记忆管理与推理过程解耦。通过引入分布式记忆系统，允许高层次的规划者专注于推理，而记忆系统则并行处理信息。

技术框架：ActiveMem框架包括两个主要模块：高层次的规划者和轻量级的分布式记忆系统。规划者利用提炼的语义要点进行推理，而记忆系统则负责信息的积累和整合。

关键创新：ActiveMem的主要创新在于其分布式记忆管理机制，这与传统的集中式记忆方法形成鲜明对比，允许更灵活的信息处理和更高效的推理能力。

关键设计：在设计中，ActiveMem采用了轻量级的记忆结构，优化了信息检索和更新的效率，确保在推理过程中能够快速访问和整合相关信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ActiveMem在BrowseComp-Plus和GAIA基准测试中实现了最先进的准确性，准确率提升幅度达到XX%，同时显著降低了计算开销，展示了其在长时间推理中的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能助手、自动问答系统和复杂决策支持系统等。通过优化长时间推理任务中的记忆管理，ActiveMem能够提升这些系统的智能水平和用户体验，具有重要的实际价值和未来影响。

📄 摘要（原文）

Memory is essential for enabling large language model (LLM) agents to handle long-horizon reasoning tasks. Existing memory mechanisms are largely centralized, typically organizing retrieved information and interaction history within a single model context. This design imposes a fundamental trade-off: scaling reasoning trajectories risks context overload, whereas aggressive content pruning may result in irreversible information loss. Seeking a better trade-off, we draw inspiration from human cognitive systems, especially the functional complementarity between the prefrontal cortex (executive control) and the hippocampus (memory management), suggesting that such a trade-off need not be inherent, but may instead stem from centralized memory organization. To this end, we propose ActiveMem, a heterogeneous framework that decouples agent memory from the core reasoning process. Specifically, a high-level Planner utilizes distilled semantic gists to execute reasoning, while a lightweight, distributed memory system operates in parallel to actively accumulate and consolidate these gists throughout the task. Experiments on BrowseComp-Plus and GAIA show that ActiveMem achieves state-of-the-art accuracy with significantly reduced overhead, demonstrating the effectiveness of distributed active memory for long-horizon reasoning.