本記事は Toward Conversational Agents with Context and Time Sensitive Long-term Memory（Alonso et al., 2024）の解説記事です。 この記事は Zenn記事: Bedrock AgentCoreで社内問い合わせエージェントを構築しメモリ永続化で精度向上 の深掘りです。AgentCoreのShort-...

本記事は Introducing Strands Agents 1.0: Production-Ready Multi-Agent Orchestration Made Simple（AWS Open Source Blog, 2025年7月15日）の解説記事です。 ブログ概要（Summary） Strands Agents SDKは、AWSがApache-2.0ライセンスで公開している...

論文概要（Abstract） olmOCRは、Allen Institute for AI（AI2）が開発したオープンソースのPDF→テキスト変換ツールキットです。7BパラメータのVision Language Model（VLM）を約26万ページでfine-tuneし、Document-anchoringと呼ばれる技術によってPDFのバイナリ抽出テキスト座標情報をVLMプロンプトに注入す...

論文概要（Abstract） DocParseNetは、スキャンされた文書画像のセマンティックセグメンテーションにOCR埋め込みを統合したマルチモーダルアーキテクチャである。従来のセマンティックセグメンテーション手法が視覚特徴のみに依存していたのに対し、本手法はTesseract OCRで抽出したテキスト情報をDistilBERTで符号化し、視覚ストリームとマルチヘッドアテンションで融合す...

本記事は HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models（Gutiérrez et al., 2024）の解説記事です。 論文概要（Abstract） Retrieval-Augmented Generation（RAG）は外部知識を活用する手法として広く普及していますが、複数...

論文概要（Abstract） ExStrucTinyは、J.P. Morgan AI Researchが提案した文書画像からのスキーマ可変構造化情報抽出（Schema-Variable Structured Information Extraction）を評価するためのベンチマークである。304のQAペアと110のマルチページ文書を含み、フォーム・財務レポート・スライド・Webスクリーンシ...

本記事は LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory（Wu et al., 2024）の解説記事です。ICLR 2025で採択されました。 論文概要（Abstract） LLM駆動のチャットアシスタントにメモリコンポーネントを統合し、ユーザーとの対話履歴を追跡してパーソナライズされた応...

本記事は https://arxiv.org/abs/2509.04469 の解説記事です。 論文概要（Abstract） 本論文は、請求書からの情報抽出タスクにおいて、マルチモーダルLLMの2つの処理戦略――画像を直接入力する「Native Vision」と、Doclingでドキュメントを事前にMarkdownへ変換してからテキストとして入力する「Docling変換」――をゼロショット...

本記事は Memory OS of AI Agent（Kang et al., 2025）の解説記事です。 この記事は Zenn記事: Bedrock AgentCoreで社内問い合わせエージェントを構築しメモリ永続化で精度向上 の深掘りです。Bedrock AgentCoreではエージェントにメモリを持たせて対話品質を向上させますが、MemoryOSはそのメモリ管理を「OSのメモリ管理」...

本記事は Build reliable AI agents with Amazon Bedrock AgentCore Evaluations（AWS Machine Learning Blog, 2026年3月31日）の解説記事です。 ブログ概要（Summary） Amazon Bedrock AgentCore Evaluationsは、AIエージェントのパフォーマンスを開発から本番...