MMA: Мультимодальный агент памяти

MMA: Multimodal Memory Agent

February 18, 2026

Авторы: Yihao Lu, Wanru Cheng, Zeyu Zhang, Hao Tang

cs.AI

Аннотация

Многомодальные агенты с длинным горизонтом планирования зависят от внешней памяти; однако поиск по сходству часто выдает устаревшие, недостоверные или противоречивые элементы, что может провоцировать излишне уверенные ошибки. Мы предлагаем Многомодального Агента Памяти (MMA), который присваивает каждому извлеченному элементу памяти динамическую оценку надежности, комбинируя достоверность источника, временное затухание и консенсус в сети с учетом конфликтов, и использует этот сигнал для перевзвешивания доказательств и воздержания от ответа при недостаточной поддержке. Мы также представляем MMA-Bench, программно генерируемый бенчмарк для анализа динамики убеждений с контролируемой надежностью источников и структурированными текстово-визуальными противоречиями. Используя эту framework, мы обнаруживаем "Визуальный эффект плацебо", показывая, как агенты на основе RAG наследуют скрытые визуальные смещения от базовых моделей. На FEVER MMA демонстрирует точность на уровне базового метода, сокращая дисперсию на 35.2% и улучшая селективную полезность; на LoCoMo конфигурация, ориентированная на безопасность, повышает практическую точность и сокращает количество неверных ответов; на MMA-Bench MMA достигает 41.18% точности типа-B в визуальном режиме, тогда как базовый метод деградирует до 0.0% по тому же протоколу. Код: https://github.com/AIGeeksGroup/MMA.

English

Long-horizon multimodal agents depend on external memory; however, similarity-based retrieval often surfaces stale, low-credibility, or conflicting items, which can trigger overconfident errors. We propose Multimodal Memory Agent (MMA), which assigns each retrieved memory item a dynamic reliability score by combining source credibility, temporal decay, and conflict-aware network consensus, and uses this signal to reweight evidence and abstain when support is insufficient. We also introduce MMA-Bench, a programmatically generated benchmark for belief dynamics with controlled speaker reliability and structured text-vision contradictions. Using this framework, we uncover the "Visual Placebo Effect", revealing how RAG-based agents inherit latent visual biases from foundation models. On FEVER, MMA matches baseline accuracy while reducing variance by 35.2% and improving selective utility; on LoCoMo, a safety-oriented configuration improves actionable accuracy and reduces wrong answers; on MMA-Bench, MMA reaches 41.18% Type-B accuracy in Vision mode, while the baseline collapses to 0.0% under the same protocol. Code: https://github.com/AIGeeksGroup/MMA.