BMAM : Cadre de Mémoire Multi-Agent Inspiré du Cerveau
BMAM: Brain-inspired Multi-Agent Memory Framework
January 28, 2026
papers.authors: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu
cs.AI
papers.abstract
Les agents basés sur des modèles de langage opérant sur des horizons d'interaction prolongés sont confrontés à des défis persistants pour préserver les informations temporellement ancrées et maintenir une cohérence comportementale entre les sessions, un mode de défaillance que nous nommons érosion de l'âme. Nous présentons BMAM (Mémoire Multi-Agents Inspirée du Cerveau), une architecture mémoire à usage général qui modélise la mémoire de l'agent comme un ensemble de sous-systèmes fonctionnellement spécialisés plutôt que comme un stock unique non structuré. S'inspirant des systèmes de mémoire cognitifs, BMAM décompose la mémoire en composants épisodique, sémantique, sensible à la saillance et orienté contrôle, qui opèrent à des échelles de temps complémentaires. Pour prendre en charge un raisonnement à long terme, BMAM organise les souvenirs épisodiques le long de chronologies explicites et récupère des preuves en fusionnant plusieurs signaux complémentaires. Les expériences sur le benchmark LoCoMo montrent que BMAM atteint une précision de 78,45 % dans le cadre d'évaluation standard à long horizon, et les analyses d'ablation confirment que le sous-système de mémoire épisodique inspiré de l'hippocampe joue un rôle crucial dans le raisonnement temporel.
English
Language-model-based agents operating over extended interaction horizons face persistent challenges in preserving temporally grounded information and maintaining behavioral consistency across sessions, a failure mode we term soul erosion. We present BMAM (Brain-inspired Multi-Agent Memory), a general-purpose memory architecture that models agent memory as a set of functionally specialized subsystems rather than a single unstructured store. Inspired by cognitive memory systems, BMAM decomposes memory into episodic, semantic, salience-aware, and control-oriented components that operate at complementary time scales. To support long-horizon reasoning, BMAM organizes episodic memories along explicit timelines and retrieves evidence by fusing multiple complementary signals. Experiments on the LoCoMo benchmark show that BMAM achieves 78.45 percent accuracy under the standard long-horizon evaluation setting, and ablation analyses confirm that the hippocampus-inspired episodic memory subsystem plays a critical role in temporal reasoning.