ICML 2026論文：長時間AIエージェントの記憶を圧縮するACON、トークン使用を26〜54％削減

結論から言うと、長時間動くAIエージェントが「覚えすぎて遅くなる、迷う」問題を減らす研究です。ICML 2026 regular論文「ACON: Optimizing Context Compression for Long-horizon LLM Agents」は、作業中の観測や履歴を短く保ちながら、必要な状態情報を落とさない圧縮手法を提案しています。

LLMエージェントはブラウザ操作や社内ツール操作を続けるほど、見た画面、実行した行動、結果の記録が増えます。すると推論コストが上がり、関係ない情報に引っ張られて失敗しやすくなります。ACONはモデル本体を再学習せず、自然言語の圧縮ガイドラインを失敗分析から改善し、観測と履歴を短く要約します。さらに、その圧縮役を小さなモデルへ蒸留して計算負荷を下げます。

AppWorld、OfficeBench、Multi-objective QAでの実験では、ピークトークン使用を26〜54％減らし、既存圧縮手法より成功率を改善したと報告しています。自分に関係するのは、AIに長い作業を任せるほど、記憶の整理が性能と料金に直結することです。出典はOpenReviewのICML 2026ページです。