ทันเอไอ

งานวิจัยชี้ AI เอเจนท์ระยะยาวมีปัญหาหน่วยความจำแบบหางยาว เสนอโมเดล Core–Tail World Model จัดสรรโทเค็นแม่นยำขึ้น

ทีมนักวิจัยเผยแพร่เปเปอร์ใหม่ชี้ระบบหน่วยความจำภายนอกของเอเจนท์ภาษา ระยะยาวมักเกิดปัญหาการกระจายตัวแบบหางยาว พร้อมเสนอวิธีแก้ด้วยโมเดล CTWM

งานวิจัยเรื่อง "Heavy-Tailed Memory Traces in Long-Horizon Language Agents" ซึ่งเผยแพร่บน arXiv เมื่อวันที่ 9 กรกฎาคม 2026 โดย Xinyuan Song และ Zekun Cai ได้ชี้ให้เห็นถึงข้อจำกัดของการพัฒนาเอเจนท์ภาษา (Language Agents) ที่ต้องทำงานในระยะยาวและพึ่งพาหน่วยความจำภายนอก (External Memory) เป็นโมเดลโลกจำลอง

ปัจจุบันระบบหน่วยความจำเหล่านี้มักถูกประเมินผลเพียงแค่ความสำเร็จของงานหรือต้นทุนโทเค็น (Token cost) เท่านั้น แต่ผู้วิจัยพบว่า สิ่งที่มองข้ามไปคือ "รูปทรงของการใช้หน่วยความจำ" ภายใต้บริบทที่มีจำกัดและการดึงข้อมูลซ้ำๆ หน่วยความจำของเอเจนท์จะไปจดจ่อรวมกลุ่มกันหนาแน่นในส่วนแกนกลาง (Core) ขณะเดียวกันก็ปล่อยให้สถานะที่พบน้อยกระจัดกระจายอยู่ในส่วนหางยาว (Long Tail) ซึ่งเป็นจุดที่มักสะสมข้อผิดพลาดในการทำนาย (Prediction Errors)

จากการตรวจสอบเชิงลึกพบว่า การรวมกลุ่มนี้เกิดขึ้นซ้ำได้แต่ขึ้นอยู่กับนโยบาย (Policy) โดยเอเจนท์แบบสุ่ม (Random-walk) จะสร้างร่องรอยการดึงข้อมูลที่เข้ากันได้กับลอการิทึมปกติ (Log-normal) ในขณะที่นโยบายโมเดลภาษาขนาดใหญ่ (Semantic LLM policies) จะสร้างแกนกลางและร่องรอยหางยาวที่เข้ากันได้กับกฎกำลังแบบถูกตัดทอน (Truncated-power-law)

เพื่อแก้ปัญหานี้ ผู้วิจัยจึงเสนอ Core–Tail World Model (CTWM) ซึ่งเป็นตัวควบคุมหน่วยความจำแบบจัดอันดับ (Rank-based controller) ทำหน้าที่จัดสรรงบประมาณโทเค็นด้วยเลขชี้กำลังเดียว (Single exponent $ au$) เพื่อรักษาข้อมูลสำคัญและสรุปข้อมูลในส่วนหาง ผลการทดลองผ่านชุดทดสอบต่างๆ เช่น Synthetic Graph World, ALFWorld และ LongMemEval แสดงให้เห็นว่า CTWM สามารถลดจำนวนโทเค็นใน Prompt รวมถึงลดข้อผิดพลาดในส่วนหางของหน่วยความจำลงได้ โดยยังคงรักษาความแม่นยำไว้ใกล้เคียงกับมาตรฐานเดิม