arXiv · 16.06.2026 ·Память и RAG

Как оценивать износ памяти роботов и оптимизировать её использование

Исследователи изучили проблему износа памяти в роботах, где каждый записываемый байт уменьшает количество доступных циклов перезаписи. В статье на arXiv предложен подход к оценке стоимости памяти как депрециационного актива, используя единую цену износа η. Это позволяет оптимизировать распределение данных между оперативной и постоянной памятью.

Авторы отмечают, что текущие системы не учитывают стоимость каждого цикла стирания-записи, что приводит к неэффективному использованию ограниченных ресурсов. Введение shadow price η помогает минимизировать затраты на хранение данных, распределяя их между RAM и флеш-памятью.

Исследование актуально для разработчиков автономных агентов, где память является критическим ресурсом. Оптимизация её использования может продлить срок службы роботов и повысить их эффективность в реальных условиях.

Работа опубликована на arXiv и доступна по ссылке: https://arxiv.org/abs/2606.18144v1.

Источник: arXiv

Похожие материалы

Hacker News · Память и RAG Как системы памяти ИИ ломаются при масштабировании Исследователи Tenure AI изучили, как системы памяти для ИИ-агентов теряют эффективность при увеличении объёма данных. В статье подробно разбираются типичные проблемы: фрагментация памяти, рост задержек и снижение точности извлечения информации. Hacker News · Память и RAG Проблема памяти в ИИ: почему системы всё ещё работают как поиск Автор статьи Jeffrey Flynt поднимает важный вопрос о текущем состоянии памяти в ИИ-агентах. Он утверждает, что большинство современных систем, включая RAG (Retrieval-Augmented Generation), работают по принципу поиска, а не по принципу истинной памяти. Это означает, что они не могут эффективно хранить и использовать контекстную информацию в долгосрочной перспективе, а лишь извлекают данные из базы при каждом запросе. arXiv · Инференс и железо Как снизить задержки в системах с потоковыми данными Исследователи из MIT и Google предложили новый подход к обработке потоковых данных в системах машинного обучения, который может существенно снизить задержки и нагрузку на серверы. В статье, опубликованной на arXiv, они описывают метод, который отделяет процесс инференса от обновления состояния, используя вероятностное прореживание (probabilistic thinning). Hacker News · Память и RAG Исследование: случайный прорыв в памяти ИИ-агентов Исследователи из Coder Company случайно достигли нового уровня в области памяти ИИ-агентов, используя подход, основанный на AI-компаньонах. В ходе эксперимента они обнаружили, что агенты, взаимодействующие друг с другом, способны сохранять и использовать информацию более эффективно, чем традиционные методы. Hacker News · Инференс и железо Как кеш ключ-значение влияет на VRAM при работе с длинным контекстом Работа с длинными контекстами в ИИ-моделях — одна из ключевых задач при разработке агентов. Однако увеличение длины контекста приводит к росту потребления VRAM, что ограничивает возможности инференса на доступном железе. В статье разбирается, как именно кеш ключ-значение (KV cache) влияет на использование памяти и какие стратегии позволяют оптимизировать этот процесс. arXiv · Память и RAG Как улучшить надёжность ИИ-агентов в робототехнике Исследователи из MIT и других ведущих университетов предложили новый подход к улучшению надёжности ИИ-агентов в робототехнике. В своей работе, опубликованной на arXiv, они рассматривают проблему обнаружения аномалий в поведении роботов, управляемых генеративными моделями. Weaviate Blog · Память и RAG Память как инфраструктура для ИИ-агентов Память перестаёт быть просто функцией и становится ключевой инфраструктурой для ИИ-агентов. По мере масштабирования агентов ограниченный цикл безсостоятельных взаимодействий начинает рушиться, и непрерывность работы превращается в системную проблему, требующую активного поддержания. Hacker News · Память и RAG PagedAttention: зачем ИИ-агентам память с вытесняющей стратегией PagedAttention — это механизм, который позволяет эффективно управлять памятью в больших языковых моделях (LLM) и ИИ-агентах. В отличие от традиционных подходов, он не просто имитирует виртуальную память, а предлагает более гибкую и оптимизированную стратегию работы с данными. Это особенно важно для агентов, которые работают с большими объёмами информации и требуют быстрого доступа к контексту. Hacker News · Память и RAG The Hanging Gardens Problem: вызов для памяти ИИ-агентов Исследователи из ar-ms.me представили концепцию The Hanging Gardens Problem (THGP), которая ставит под сомнение традиционные подходы к хранению и управлению информацией в ИИ-агентах. Проблема заключается в том, что при увеличении объема данных, которые агент должен запоминать и обрабатывать, его эффективность начинает падать из-за фрагментации и несоответствий в информации. arXiv · Память и RAG Исследование геометрии памяти в непрерывном обучении Учёные изучили структуру памяти в непрерывном обучении, чтобы понять, как ИИ-агенты могут сохранять знания без катастрофического забывания. Исследование основано на фреймворке Accessibility Collapse и анализирует, как модели, такие как ResNet-18, теряют и восстанавливают информацию при обучении на последовательных задачах.

← Все материалы