Darwinian Memory: Selbstregulierendes Gedächtnissystem steigert GUI-Agenten

Multimodale Large Language Model‑Agenten (MLLMs) haben die Automatisierung von grafischen Benutzeroberflächen (GUI) revolutioniert, doch ihre Leistung bei Aufgaben mit langen Zeithorizonten und mehreren Anwendungen bleibt begrenzt. Der Hauptgrund liegt in den kleinen Kontextfenstern, die die Agenten nutzen können, wodurch sie wichtige Informationen verlieren.

Herkömmliche Gedächtnissysteme versuchen, diese Lücke zu schließen, stoßen jedoch an ihre Grenzen. Sie passen sich nicht dynamisch an die wechselnden GUI‑Umgebungen an, weisen eine Granularitätsdiskrepanz zwischen hochrangigen Absichten und niedrigstufigen Ausführungen auf und werden durch die Ansammlung veralteter Erfahrungen „halluziniert“, was die Zuverlässigkeit stark beeinträchtigt.

Darwinian Memory System (DMS) bietet eine innovative Lösung. Das System baut ein selbstregulierendes Ökosystem auf, das die Prinzipien des Überlebens des Stärkeren nutzt. Komplexe Handlungsabläufe werden in unabhängige, wiederverwendbare Einheiten zerlegt, die durch eine utilitätsbasierte natürliche Selektion bewertet werden. Auf diese Weise werden suboptimale Pfade aktiv entfernt und riskante Pläne unterdrückt, sodass der Agent kontinuierlich bessere Strategien entwickelt.

Umfangreiche Tests an realen Multi‑App‑Benchmarks zeigen, dass DMS die Leistungsfähigkeit von MLLMs ohne zusätzliche Trainingskosten oder architektonische Aufwände deutlich steigert. Die durchschnittliche Erfolgsrate erhöht sich um 18 % und die Ausführungsstabilität um 33,9 %. Gleichzeitig sinkt die Task‑Latenz, was DMS zu einer effektiven, selbstentwickelnden Speicherlösung für GUI‑Aufgaben macht.