연구진은 기억 관리 능력을 훈련 가능한 기술로 보고 LLM에 AutoMem 프레임워크를 도입했어요. AutoMem은 LLM이 스스로 기억 관리 방식을 결정하도록 파일 시스템 연산을 메모리 액션으로 승격시켜요. 이 프레임워크는 기억 구조와 모델의 기억 능력을 동시에 최적화하며, 인간의 검토가 어려운 장기 과제에서 큰 성능 향상을 이끌어냈어요.
Crafter, MiniHack, NetHack 게임에서 AutoMem을 적용했을 때, 기본 에이전트의 성능이 최대 4배 향상되었으며, 32B 오픈 웨이트 모델이 Claude Opus 4.5나 Gemini 3.1 Pro Thinking과 경쟁할 수 있는 수준으로 올라갔어요. 이는 기억 관리가 독립적으로 학습 가능한 기술이며, 장기 과제에서 큰 효과를 발휘한다는 것을 보여줘요.
AutoMem은 LLM이 기억 구조를 개선하는 첫 번째 단계와, 에이전트의 좋은 기억 결정을 학습 신호로 활용하여 모델의 기억 능력을 향상시키는 두 번째 단계를 포함해요. 이 프레임워크는 LLM의 기억 관리 능력을 자동화하여 장기 과제 수행 능력을 크게 향상시킬 수 있음을 입증했어요.