JAMEL은 에이전트의 메모리와 탐색 정책을 함께 학습하는 프레임워크입니다. 기존 방식의 메모리 학습은 지도 신호 부족으로 어려움을 겪었으나, JAMEL은 새로운 신호 기반 상호작용을 통해 이를 해결합니다. GUI 환경에서 코드 커버리지를 활용한 결정적 신호로 메모리 모듈을 효과적으로 학습시켰습니다.
실험 결과, JAMEL은 기존 오픈웨이트 모델보다 뛰어난 탐색 능력을 보이며, 폐쇄 소스 모델에 버금가는 깊이의 탐색이 가능합니다. 또한 토큰 소비량은 줄이는 효과를 거두었습니다. 코드는 GitHub에서 공개되었습니다.