💻 computer science

MESA:Task-Adaptive Multi-Structure Evidence Selection for Long-Horizon Agent Memory

MESA एक टास्क-एडेप्टिव फ्रेमवर्क है जो लॉन्ग-होरिज़न एजेंट्स के लिए क्वेरी-विशिष्ट पूरक मेमोरी स्ट्रक्चर्स के एक डायनामिकली चयनित और फ्यूज्ड सबसेट को चुनता है, जो फिक्स्ड-कॉन्टेक्स्ट अप्रोचेस के शोर से बचते हुए और विविध साक्ष्यों के संयोजन को सक्षम करते हुए AMA-Bench पर प्रदर्शन और दक्षता में महत्वपूर्ण सुधार करता है।

मूल लेखक: Beidi Zhao, Yaoqi Chen, Yuru Feng, Menghao Li, Qianxi Zhang, Baotong Lu, Jianan Lu, Zhirui Wang, Xinjiang Wang, Shusen Xu, Zengzhong Li, Xiaoxiao Li, Qi Chen

प्रकाशित 2026-08-12

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Beidi Zhao, Yaoqi Chen, Yuru Feng, Menghao Li, Qianxi Zhang, Baotong Lu, Jianan Lu, Zhirui Wang, Xinjiang Wang, Shusen Xu, Zengzhong Li, Xiaoxiao Li, Qi Chen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो कई दिनों में सुलझी हुई एक पहेली को हल करने की कोशिश कर रहे हैं। आपके पास एक विशाल नोटबुक है जिसमें आपने जो कुछ भी किया, देखा, सोचा और कहा, वह सब दर्ज है। कुछ पन्ने दिन का संक्षिप्त विवरण हैं, कुछ कदमों की एक कच्ची सूची हैं, कुछ उन लोगों का नक्शा हैं जिनसे आप मिले, और कुछ वे कीवर्ड्स हैं जिन्हें आपने खोजा था। यदि आप एक साधारण से सवाल का जवाब देने के लिए जैसे कि "मैंने अपनी चाबियाँ कब खोईं?" के लिए पूरा नोटबुक पढ़ने की कोशिश करेंगे, तो आपका दिमाग बहुत सारी जानकारी से अभिभूत हो जाएगा। लेकिन यदि आप केवल एक विशिष्ट पन्ना पढ़ते हैं, तो आप किसी दूसरे भाग में छिपे एक महत्वपूर्ण सुराग को मिस कर सकते हैं। यह आधुनिक "AI एजेंट्स" (AI agents)—जो कंप्यूटर प्रोग्राम डिजिटल सहायकों की तरह काम करते हैं—के सामने आने वाली चुनौती है। उन्हें जटिल समस्याओं को हल करने के लिए घटनाओं की लंबी श्रृंखलाओं को याद रखने की आवश्यकता होती है, लेकिन वे अक्सर अपनी ही यादों में खो जाते हैं। वैज्ञानिक इन यादों को व्यवस्थित करने के सबसे अच्छे तरीके को खोजने की कोशिश कर रहे हैं: क्या AI को सब कुछ पढ़ना चाहिए? क्या इसे केवल एक प्रकार के नोट को चुनना चाहिए? या क्या कोई स्मार्ट तरीका है?

यह शोध पत्र एक चतुर नया सिस्टम पेश करता है जिसे MESA (Multi-structure Evidence Selection for long-horizon Agent) कहा जाता है, जो इन AI जासूसों के लिए एक सुपर-स्मार्ट लाइब्रेरियन की तरह काम करता है। यह AI को अपना पूरा नोटबुक पढ़ने के लिए मजबूर करने या अंधे होकर किसी एक पन्ने को चुनने के बजाय, प्रत्येक विशिष्ट प्रश्न के लिए नोट्स का परफेक्ट कॉम्बिनेशन (सही मिश्रण) चुनना सिखाता है। इसे एक ऐसे शेफ की तरह समझें जो न तो सिर्फ पहला मसाल का डिब्बा उठाता है और न ही पूरे मसालों के रैक को बर्तन में डाल देता है। इसके बजाय, वह पकवान को चखता है, महसूस करता है कि इसमें थोड़ा नमक और चुटकी भर काली मिर्च की जरूरत है, और ठीक उन्हीं दो डिब्बों को उठा लेता है। शोधकर्ताओं ने इसका परीक्षण AMA-Bench नामक एक बेंचमार्क पर किया, जो यह जांचने का एक विशाल टेस्ट है कि AI लंबे समय तक कितनी अच्छी तरह याद रख सकता है और तर्क दे सकता है। उन्होंने पाया कि MESA पिछले तरीकों की तुलना में सवालों के जवाब देने में बहुत बेहतर है। वास्तव में, इसने मौजूदा सर्वोत्तम प्रणाली की तुलना में 8.5% अधिक बार सही उत्तर दिया, और ऐसा करते हुए इसने मेमोरी से 41% कम शब्द (या "टोकन") पढ़े। यह सुझाव देता है कि लंबी पहेलियों को सुलझाने की कुंजी केवल सब कुछ पढ़ने या केवल एक चीज़ चुनने में नहीं, बल्कि चयनात्मक होने और विभिन्न प्रकार के मेमोरी व्यूज को मिलाने में है।

समस्या: बहुत अधिक शोर, पर्याप्त संकेत नहीं

कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं जहाँ आपको एक ऐसी पहेली सुलझानी है जिसके लिए आपको 50 कदम पहले किए गए काम को याद रखने की आवश्यकता है। आपका पात्र इधर-उधर दौड़ रहा है, राक्षसों से लड़ रहा है, NPCs से बात कर रहा है, और चीजें इकट्ठा कर रहा है। यदि आप गेम से पूछते हैं, "दरवाजा क्यों लॉक हुआ?" तो उत्तर 40 कदम पहले के एक छोटे से विवरण में छिपा हो सकता है, जैसे कि एक विशिष्ट चाबी जो आपने गिरा दी थी।

AI की दुनिया में, इन "कदमों" को ट्रैजेक्टरीज (trajectories) कहा जाता है। ये कार्यों, अवलोकनों और विचारों की लंबी, अस्त-व्यस्त श्रृंखलाएं हैं। समस्या यह है कि ये श्रृंखलाएं सैकड़ों कदम लंबी हो सकती हैं। यदि आप पूरी श्रृंखला को AI को देते हैं, तो यह महंगा और भ्रमित करने वाला हो जाता है। यदि आप इसका सारांश बनाने की कोशिश करते हैं, तो आप उस छोटे से विवरण को खो सकते हैं जो महत्वपूर्ण है।

वैज्ञानिकों ने इसे अलग-अलग "स्ट्रक्चर" या प्रारूपों में व्यवस्थित करके ठीक करने की कोशिश की है, ठीक वैसे ही जैसे एक बिखरे हुए कमरे को अलग-अलग डिब्बों में व्यवस्थित किया जाता है:

सारांश (Summaries): जैसे एक डायरी प्रविष्टि जो दिन का "सार" देती है लेकिन छोटे विवरणों को छोड़ देती है।
टेम्पोरल स्टोर्स (Temporal Stores): जैसे एक टाइमलाइन या कैलेंडर जो घटनाओं को सख्त क्रम में रखता है।
नॉलेज ग्राफ्स (Knowledge Graphs): जैसे लोगों और चीजों के बीच संबंधों का एक जाल, जो दिखाता है कि वे कैसे संबंधित हैं।
वेक्टर डेटाबेस (Vector Databases): जैसे एक सर्च इंजन जो "वाइब" या अर्थ के आधार पर चीजों को ढूंढता है, भले ही शब्द अलग हों।
रॉ ट्रेस (Raw Traces): जैसे एक सुरक्षा कैमरा रिकॉर्डिंग जो आपकी हर हरकत को दिखाती है, लेकिन यह शोर से भरी होती है और इसे स्कैन करना कठिन होता है।

बड़ा सवाल यह था: AI को कौन सा डिब्बा खोलना चाहिए?

पुराने तरीके: बहुत अधिक या बहुत कम

MESA से पहले, AI इस समस्या को संभालने के दो मुख्य तरीके अपनाता था:

"सब कुछ पढ़ने" वाला दृष्टिकोण: AI एक साथ सभी डिब्बे खोल देता था और अपने दिमाग में हर एक नोट डाल देता था। यह एक ही समय में अपनी पूरी डायरी, अपना कैलेंडर, अपना नक्शा और अपना सुरक्षा फुटेज पढ़ने की कोशिश करने जैसा है ताकि यह पता लगाया जा सके कि आपने नाश्ते में क्या खाया था। यह बहुत अधिक जानकारी है, और महत्वपूर्ण सुराग शोर में खो जाते हैं।
"एक चुनने" वाला दृष्टिकोण: AI अनुमान लगाने की कोशिश करता था कि कौन सा एकल डिब्बा सबसे अच्छा है और केवल उसी को पढ़ता था। यह यह तय करने जैसा है कि नाश्ते में आपने क्या खाया था यह जानने के लिए केवल अपने कैलेंडर को देखना चाहिए। आप इस तथ्य को मिस कर सकते हैं कि आपने अपनी डायरी में इसके बारे में एक नोट लिखा था।

शोधकर्ताओं ने पाया कि दोनों में से कोई भी चरम स्थिति अच्छी नहीं है। कभी-कभी आपको टाइमलाइन की आवश्यकता होती है; कभी-कभी आपको नक्शे की आवश्यकता होती है; अक्सर, आपको दोनों के मिश्रण की आवश्यकता होती है। लेकिन "सबसे अच्छा मिश्रण" प्रश्न के आधार पर बदल जाता है। "पहले क्या हुआ" के बारे में प्रश्न के लिए टाइमलाइन की आवश्यकता होती है, जबकि "किसने किससे बात की" के बारे में प्रश्न के लिए नक्शे की आवश्यकता होती है।

समाधान: MESA, एक अनुकूलनशील लाइब्रेरियन

MESA एक गतिशील लाइब्रेरियन बनने के लिए डिज़ाइन किया गया सिस्टम है। यह केवल एक डिब्बा नहीं चुनता या सभी को नहीं खोलता। इसके बजाय, यह प्रश्न को देखता है और कहता है, "आह, इस प्रश्न के लिए थोड़े से टाइमलाइन और थोड़े से नक्शे की आवश्यकता है, लेकिन मैं कच्चे वीडियो फुटेज को छोड़ सकता हूँ।"

यह सरल शब्दों में कैसे काम करता है:

लाइब्रेरी: सबसे पहले, AI अपने इतिहास से पांच अलग-अलग प्रकार के मेमोरी स्ट्रक्चर (Summary, Timeline, Map, Search, और Raw Video) बनाता है। ये सभी पहले से बनाए जाते हैं और समान रहते हैं।
सेलेक्टर (Selector): जब कोई प्रश्न आता है, तो सिस्टम का एक विशेष "सेलेक्टर" हिस्सा तय करता है कि किन स्ट्रक्चर्स का उपयोग करना है। यह एक स्मार्ट सहायक की तरह है जो प्रश्न को देखता है और सही उपकरण चुनता है।
सीखना (Learning): सेलेक्टर को सिखाना कठिन काम है। सिस्टम के पास कोई शिक्षक नहीं है जो हर प्रश्न के लिए उसे ठीक-ठीक नहीं बताता कि कौन से डिब्बे चुनने हैं। इसके बजाय, यह अंतिम परिणाम से सीखता है: "क्या AI ने सही उत्तर दिया?" यदि उत्तर गलत था, तो सिस्टम अपनी चयन रणनीति को बदल देता है। यह UCB (Upper Confidence Bound) नामक एक चतुर गणितीय ट्रिक का उपयोग करता है ताकि नए संयोजनों को आज़माने (exploration) और जो काम करता है उस पर टिके रहने (exploitation) के बीच संतुलन बनाया जा सके।

उन्होंने क्या पाया

शोधकर्ताओं ने MESA का परीक्षण AMA-Bench पर किया, जो लंबे, जटिल कार्यों से भरा एक डेटासेट है। उन्होंने इसकी तुलना मौजूदा सर्वोत्तम तरीकों से की।

बेहतर सटीकता: MESA ने 65.1% बार सही उत्तर दिया, जो पिछले सर्वोत्तम सिस्टम (AMA-Agent) से 8.5% अधिक था।
स्मार्ट दक्षता: भले ही MESA अधिक सटीक था, फिर भी इसने मेमोरी से 41% कम शब्द (टोकन) का उपयोग किया। इसका मतलब है कि यह केवल अधिक नहीं पढ़ रहा था; यह बेहतर पढ़ रहा था।
कोई एक विजेता नहीं: अध्ययन ने पुष्टि की कि कोई "एक आकार सभी के लिए उपयुक्त" (one size fits all) मेमोरी स्ट्रक्चर नहीं है। मेमोरी प्रकारों का सबसे अच्छा संयोजन विशिष्ट कार्य और विशिष्ट प्रश्न के आधार पर बदल जाता है।

यह क्यों मायने रखता है

यह शोध पत्र बताता है कि AI मेमोरी का भविष्य बड़े और बड़े पुस्तकालय बनाने या केवल एक प्रकार के नोट को चुनने के बारे में नहीं है। यह लचीलेपन (flexibility) के बारे में है। ठीक वैसे ही जैसे एक मानव जासूस जानता है कि तारीखों के लिए कैलेंडर, स्थानों के लिए नक्शा और भावनाओं के लिए डायरी की जाँच करनी चाहिए, एक AI को भी समस्या को हल करने के लिए अपने विभिन्न मेमोरी व्यूज को मिलाने और जोड़ने की आवश्यकता होती है।

MESA दिखाता है कि AI को चयनात्मक और अनुकूलनशील बनाकर, हम इसे बिना उसकी सोचने की प्रक्रिया या उसके स्टोर करने के तरीके को बदले, अधिक स्मार्ट और कुशल बना सकते हैं। यह एक ऐसे AI की ओर एक कदम है जिसके पास केवल बहुत सारा डेटा नहीं है, बल्कि उसे पता है कि जब सबसे अधिक आवश्यकता हो, तो सही डेटा का टुकड़ा बिल्कुल कहाँ से ढूँढना है।

तकनीकी सारांश: MESA – लॉन्ग-होरिज़न एजेंट मेमोरी के लिए टास्क-एडेप्टिव मल्टी-स्ट्रक्चर एविडेंस सिलेक्शन

1. समस्या का निरूपण (Problem Formulation)

लॉन्ग-होरिज़न एजेंट सैकड़ों इंटरलीव्ड रीजनिंग, एक्शन, ऑब्जर्वेशन और टूल-आउटपुट स्टेप्स से बनी ट्रैजेक्टरीज को संचित करते हैं। किसी क्वेरी का उत्तर देने के लिए अक्सर इस इतिहास की गहराइयों में दबे साक्ष्य (evidence) को खोजने की आवश्यकता होती है। जबकि बाहरी मेमोरी सिस्टम इन इतिहासों को स्ट्रक्चर्ड रिप्रजेंटेशन (जैसे, समरी, ग्राफ, वेक्टर स्टोर्स) में बदल देते हैं, मौजूदा दृष्टिकोण एक मौलिक दुविधा का सामना करते हैं:

फिक्स्ड ऑल-स्ट्रक्चर फ्यूजन (Fixed All-Structure Fusion): वे सिस्टम जो हर क्वेरी के लिए स्टेटिक, व्यापक सेट ऑफ मेमोरी व्यूज को क्वेरी करते हैं, वे रिकॉल (recall) को तो अधिकतम करते हैं लेकिन रेडंडेंट या डिस्ट्रैक्टिंग नॉइज़ के साथ कॉन्टेक्स्ट विंडो को फुला देते हैं, जिससे प्रदर्शन की गारंटी दिए बिना लागत बढ़ जाती है।
सिंगल-स्ट्रक्चर रूटिंग (Single-Structure Routing): वे सिस्टम जो प्रत्येक क्वेरी को एक ही "सर्वश्रेष्ठ" स्ट्रक्चर तक रूट करते हैं, वे एक्सप्रेसिवनेस को सीमित कर देते हैं, जिससे पूरक साक्ष्यों (complementary evidence) का संयोजन (जैसे, हाई-लेवल समरी को सटीक एपिसोडिक स्टेप्स के साथ जोड़ना) बाधित होता है जो जटिल कार्यों के लिए आवश्यक है।

लेखकों का तर्क है कि इष्टतम मेमोरी कॉन्फ़िगरेशन न तो एक सिंगल स्ट्रक्चर है और न ही पूर्ण यूनियन, बल्कि विशिष्ट संरचनात्मक स्मरियों का एक अनुकूलित संयोजन (tailored composition) है जो विशिष्ट क्वेरी और कार्य की मांगों के साथ गतिशील रूप से बदलता है। हालांकि, ऐसे सिलेक्शन पॉलिसी को सीखना चुनौतीपूर्ण है क्योंकि इसमें स्ट्रक्चर सबसेट्स की कॉम्बिनेटरियल प्रकृति और प्रति-स्ट्रक्चर उपयोगिता के लिए ग्राउंड-ट्रुथ लेबल्स (वीक सुपरविजन) का अभाव है, जहाँ फीडबैक केवल अंतिम उत्तर स्तर पर उपलब्ध होता है।

2. कार्यप्रणाली: MESA फ्रेमवर्क (Methodology: The MESA Framework)

यह पेपर MESA (Multi-structure Evidence Selection for long-horizon Agent) प्रस्तावित करता है, जो एक ऐसा फ्रेमवर्क है जो विशेष मेमोरी स्ट्रक्चर्स के एक सबसेट को चुनने और फ्यूज करने के लिए एक क्वेरी-एडेप्टिव पॉलिसी सीखता है।

2.1 मल्टी-व्यू स्ट्रक्चरल मेमोरी कंस्ट्रक्शन

MESA प्रत्येक ट्रैजेक्टरी $\tau_i$ के लिए पांच स्वतंत्र, पूरक मेमोरी स्ट्रक्चर्स बनाए रखता है, जिन्हें ऑफलाइन निर्मित किया जाता है:

समरी (Summary - S): एक कंप्रेस्ड स्टेट मेमोरी जो महत्वपूर्ण स्टेट बदलावों और सब-गोल ट्रांजिशन को सुरक्षित रखती है।
टेम्पोरल स्टोर (Temporal Store - T): एक टर्न-इंडेक्स्ड स्टोर जो एक्ज़ैक्ट क्रोनोलॉजिकल सीक्वेंस ऑफ एक्शन्स और ऑब्जर्वेशन्स को सुरक्षित रखता है।
नॉलेज ग्राफ (Knowledge Graph - G): एक रिलेशनल ग्राफ जो स्टेप्स के बीच एंटिटी कनेक्शन और कॉज़ल लिंक्स को कैप्चर करता है।
वेक्टर डेटाबेस (Vector Database - V): सिमेंटिक सिमिलरिटी रिट्रीवल के लिए एक डेंस, स्टेप-लेवल इंडेक्स।
रॉ एपिसोडिक (Raw Episodic - R): सटीक सरफेस-फॉर्म एविडेंस के लिए ओरिजिनल ट्रैजेक्टरी के अनकंप्रेस्ड, ओवरलैपिंग विंडोज।

2.2 स्ट्रक्चर-लेवल डायनेमिक सिलेक्शन

एक दी गई क्वेरी $q_i$ और कॉन्टेक्स्ट $c_i$ के लिए, एक सेलेक्टर $S_\rho$ एक नॉन-एम्प्टी बाइनरी वेक्टर $z_i \in \{0,1\}^5$ आउटपुट करता है, जो यह दर्शाता है कि किन स्ट्रक्चर्स तक एक्सेस करना है। चयनित स्ट्रक्चर्स से प्राप्त साक्ष्य को कंपोज़ किया जाता है और उत्तर जेनरेट करने के लिए एक फ्रोझन आंसर मॉडल $F$ को फीड किया जाता है। लक्ष्य उस पॉलिसी $\rho$ को सीखना है जो एविडेंस टोकन कॉस्ट को कम करते हुए उत्तर की सटीकता को अधिकतम करती है।

2.3 प्रायोर-गाइडेड हारनेस ऑप्टिमाइजेशन (Prior-Guided Harness Optimization)

वीक सुपरविजन (स्पार्स आंसर-लेवल फीडबैक) के तहत $\rho$ को सीखने के लिए, MESA एक प्रायोर-गाइडेड हारनेस ऑप्टिमाइजेशन रणनीति का उपयोग करता है:

प्रतिबंधित सर्च स्पेस (Restricted Search Space): संभावित पॉलिसियों के पूरे स्पेस को खोजने के बजाय, ऑप्टिमाइजेशन को प्रायोर डायरेक्शंस ( $A$ ) के एक सेट तक सीमित किया गया है। ये दिशाएं रूटिंग के लिए मैकेनिज्म क्लासेस को परिभाषित करती हैं, जैसे क्वेरी टाइप से डिमांड का अनुमान लगाना, बैकएंड वैल्यू का आकलन करना, या सबसेट कंस्ट्रक्शन को कंट्रोल करना (जैसे, कार्डिनैलिटी-फर्स्ट, कॉम्प्लीमेंटैरिटी सिलेक्शन)।
UCB-गाइडेड शेड्यूलिंग (UCB-Guided Scheduling): सिस्टम एक्सप्लोरेशन और एक्सप्लोइटेशन को एक अपर कॉन्फिडेंस बाउंड (UCB) शेड्यूलर का उपयोग करके संतुलित करता है। प्रत्येक प्रायोर डायरेक्शन एक "बैंडिट आर्म" की तरह कार्य करता है। शेड्यूलर उन दिशाओं को चुनता है जिन्होंने ऐतिहासिक रूप से मजबूत पॉलिसियाँ बनाई हैं (एक्सप्लोइटेशन) या जिन्हें कम बार इवैल्यूएट किया गया है (एक्सप्लोरेशन)।
इटरेटिव रिफाइनमेंट (Iterative Refinement): एक LLM प्रपोजर, चयनित दिशा और वर्तमान एरर एनालिसिस के आधार पर एक्जीक्यूटेबल पॉलिसी कैंडिडेट जेनरेट करता है। इन कैंडिडेट्स को ट्रेनिंग ट्रेसेस पर फिट किया जाता है, वैलिडेशन सेट पर इवैल्यूएट किया जाता है, और सर्वश्रेष्ठ पॉलिसी को एक रेगुलराइज्ड ऑब्जेक्टिव $J_{val}(\rho) - \lambda C_{val}(\rho)$ के आधार पर चुना जाता है, जहाँ $C$ टोकन कॉस्ट है।

3. मुख्य योगदान (Key Contributions)

समस्या का निरूपण और एम्पिरिकल विश्लेषण: लेखक "स्ट्रक्चर-लेवल डायनेमिक सिलेक्शन" को औपचारिक रूप देते हैं और AMA-Bench पर सभी नॉन-एम्प्टी स्ट्रक्चर सबसेट्स के कंट्रोल्ड स्वीप के माध्यम से प्रदर्शित करते हैं कि:
- इंटरमीडिएट सबसेट्स (2–4 स्ट्रक्चर्स के संयोजन) आमतौर पर सिंगल स्ट्रक्चर या फुल यूनियन की तुलना में बेहतर प्रदर्शन करते हैं।
- कोई भी सिंगल फिक्स्ड कंपोजिशन सार्वभौमिक रूप से इष्टतम नहीं है; सर्वश्रेष्ठ सबसेट डोमेन और क्षमता के अनुसार बदलता रहता है।
MESA फ्रेमवर्क: एक नया फ्रेमवर्क जो अंडरलाइंग मेमोरी बिल्डर्स या आंसर मॉडल को बदले बिना, स्पार्स आंसर-लेवल फीडबैक का उपयोग करके प्रायोर-गाइडेड हारनेस ऑप्टिमाइजेशन और UCB शेड्यूलिंग के माध्यम से एक क्वेरी-एडेप्टिव सिलेक्शन पॉलिसी सीखता है।
एम्पिरिकल वैलिडेशन: लॉन्ग-होरिज़न एजेंट टास्क और कन्वर्सेशनल मेमोरी दोनों में MESA की श्रेष्ठता को दिखाने वाले व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग AMA-Bench (6 एजेंटिक डोमेन में 2,496 प्रश्न) और LoCoMo (लॉन्ग-टर्म कन्वर्सेशनल मेमोरी) पर किए गए।

AMA-Bench पर प्रदर्शन: Qwen3-32B बैकबोन का उपयोग करते हुए, MESA ने 65.1% समग्र सटीकता प्राप्त की, जो सबसे मजबूत बेसलाइन (AMA-Agent) से 8.5% और लॉन्ग-कॉन्टेक्स्ट रीडर से 12.5% अधिक है। MESA चार मेमोरी कैपेबिलिटी कैटेगरी में से तीन में टॉप परफॉर्मर रहा: रिकॉल (69.2%), स्टेट अपडेटिंग (65.8%), और स्टेट एब्स्ट्रैक्शन (57.8%)। कॉज़ल इन्फरेंस कैटेगरी में, MESA ने 63.6% हासिल किया, जो AMA-Agent (65.0%) के पीछे दूसरे स्थान पर रहा।
दक्षता (Efficiency): MESA ने "ऑल-स्ट्रक्चर" विकल्प की तुलना में 41% कम एविडेंस टोकन (11.0k बनाम 18.7k) का उपयोग करते हुए ये लाभ प्राप्त किए, जो दर्शाता है कि एडेप्टिव सिलेक्शन नॉइज़ और लागत को कम करता है।
सामान्यीकरण (Generalization): LoCoMo पर, MESA ने 49.0% का F1 स्कोर प्राप्त किया, जो स्पेशलाइज्ड बेसलाइन से 1.8% अधिक है, जो सिद्ध करता है कि फ्रेमवर्क एजेंट ट्रैजेक्टरीज से परे कन्वर्सेशनल मेमोरी तक विस्तृत है।
एब्लेशन स्टडीज (Ablation Studies):
- लर्निंग कंपोनेंट को हटाने (रैंडम या ज़ीरो-शॉट सिलेक्शन का उपयोग करने) से सटीकता में महत्वपूर्ण गिरावट आई।
- सिलेक्शन को सिंगल स्ट्रक्चर तक सीमित करने ("Route-to-one") से सटीकता घटकर 57.0% रह गई, जो पूरक स्ट्रक्चर्स को कंपोज़ करने की आवश्यकता की पुष्टि करता है।
- प्रायोर गाइडेंस या UCB शेड्यूलिंग को हटाने से प्रदर्शन और स्थिरता में गिरावट आई, जो स्ट्रक्चर्ड सर्च और एक्सप्लोरेशन बैलेंस के महत्व को उजागर करता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि MESA एजेंट मेमोरी सिस्टम में एक महत्वपूर्ण अंतर को संबोधित करता है: विशिष्ट क्वेरी आवश्यकताओं के अनुसार मेमोरी एक्सेस रणनीतियों को गतिशील रूप से अनुकूलित करने में असमर्थता। यह प्रदर्शित करके कि इंटरमीडिएट, टास्क-एडेप्टिव सबसेट्स, फिक्स्ड रणनीतियों की तुलना में बेहतर हैं, यह कार्य "अधिक मेमोरी बेहतर है" के बजाय "सही मेमोरी कंपोजिशन बेहतर है" के प्रतिमान (paradigm) को बदल देता है।

लेखक इस बात पर जोर देते हैं कि MESA इन परिणामों को एक ऐसी सिलेक्शन पॉलिसी सीखकर प्राप्त करता है जो स्पष्ट और व्याख्या योग्य (explicit and interpreable) है (जैसे, ऑप्टिमाइजेशन के दौरान सीखी गई कीवर्ड-आधारित रूटिंग रूल्स), न कि एक ब्लैक-बॉक्स न्यूरल सेलेक्टर। यह फ्रेमवर्क एक व्यावहारिक ट्रेड-ऑफ प्रदान करता है, जो अंडरलाइंग लार्ज लैंग्वेज मॉडल्स या मेमोरी कंस्ट्रक्शन पाइपलाइन्स को फिर से प्रशिक्षित किए बिना सटीकता और दक्षता दोनों में सुधार करता है। पेपर निष्कर्ष निकालता है कि भविष्य के कार्यों को मेमोरी कंस्ट्रक्शन और सिलेक्शन को संयुक्त रूप से ऑप्टिमाइज़ करने और क्रॉस-स्ट्रक्चर डिपेंडेंसी को अधिक स्पष्ट रूप से मॉडल करने की दिशा में अन्वेषण करना चाहिए।