연구진은 기억 관리 능력을 LLM의 훈련 가능한 기술로 보고 AutoMem 프레임워크를 개발했어요. AutoMem은 LLM이 스스로 기억 관리 방법을 결정하도록 파일 시스템 연산을 메모리 액션으로 승격시켜요. 이 프레임워크는 기억 구조와 모델의 기억 능력을 동시에 최적화하여 Crafter, MiniHack, NetHack 게임에서 기본 에이전트 성능을 2~4배 향상시켰어요.
AutoMem은 LLM이 에이전트의 전체 경로를 검토하며 기억 구조를 개선하는 1단계 루프와, 에이전트의 좋은 기억 결정을 학습 신호로 활용하여 모델의 기억 능력을 향상시키는 2단계 루프를 포함해요. 이 연구 결과는 기억 관리가 독립적으로 학습 가능한 기술이며, 장기적인 작업에서 큰 성과를 낼 수 있는 중요한 목표임을 보여줘요.
최적화된 기억 관리만으로도 32B 오픈 웨이트 모델이 Claude Opus 4.5 및 Gemini 3.1 Pro Thinking과 경쟁할 수 있는 수준으로 성능을 끌어올렸어요. 연구진은 AutoMem을 통해 LLM의 기억 관리 능력을 자동화하고, 장기적인 작업에서의 성능을 크게 향상시킬 수 있다고 밝혔어요.