MobileMem: 모바일 경험 1년으로부터의 학습

초록

차세대 AI 에이전트는 고립된 질문에 답하는 시스템을 넘어, 사용자의 경험을 이해하고 기억하며 지속적으로 학습할 수 있는 상시형 개인 비서로 진화하고 있다. 이러한 비서는 시간이 지남에 따라 사용자 특정 경험을 축적하고 활용하기 위한 장기 기억이 필요하지만, 기존 벤치마크는 경험이 이질적이고 멀티모달하며 진화하고 깊이 개인화된 실제 모바일 환경을 평가하기에는 여전히 부적합하다. 본 논문에서는 1년 규모의 모바일 경험 컬렉션에 기반하여, 온디바이스 장기 기억을 연구하기 위한 벤치마크이자 프레임워크인 MobileMem을 소개한다. MobileMem은 지식 기반 합성 파이프라인을 활용하여 사용자-앱 세션으로부터 일관성 있고 시간적으로 정합적인 장기 지평 궤적을 구축한다. 또한 다중 홉 및 시간적 추론, 지식 갱신, 암묵적 선호도 추론을 포괄하는 상호보완적인 텍스트 및 멀티모달 설정을 제공한다. 구체적으로, MobileMem은 에이전트가 과거를 기억하고 현재를 이해하며 미래에 적응할 수 있게 한다. MobileMem은 고립된 사실이 아닌 경험을 모델링함으로써, 기억을 정보 검색의 차원을 넘어 지속적인 개인 학습을 위한 경험적 지능으로 확장한다.

English

The next generation of AI agents is increasingly moving beyond systems that answer isolated questions toward persistent personal assistants that can understand, remember, and continuously learn from users' experiences. Such assistants require long-term memory to accumulate and leverage user-specific experiences over time, yet existing benchmarks remain inadequate for realistic mobile settings, where experiences are heterogeneous, multimodal, evolving, and deeply personal. We introduce MobileMem, a benchmark and framework for studying on-device long-term memory, grounded in a year-scale collection of mobile experiences. MobileMem employs a knowledge-grounded synthesis pipeline to construct coherent and temporally consistent long-horizon trajectories from user-app sessions. It provides complementary text and multimodal settings covering multi-hop and temporal reasoning, knowledge updating, and implicit preference inference. Specifically, MobileMem enables agents to remember the past, understand the present, and adapt to the future. By modeling experiences rather than isolated facts, MobileMem moves memory beyond information retrieval toward experiential intelligence for continuous personal learning.