MobileMem: Learning from a Year of Mobile Experiences

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.

한 줄 요약

MobileMem은 모바일 환경에서의 장기 기억 시스템을 평가하기 위한 벤치마크와 프레임워크로, 사용자의 일년 분량의 경험을 기반으로 구성된다.

핵심 기여도

MobileMem은 사용자의 실제 모바일 경험(앱 세션, 멀티모달 데이터 등)을 기반으로 장기 기억 트래젝토리를 생성하는 **knowledge-grounded synthesis pipeline**을 도입.
기존 벤치마크가 부족한 **multi-hop 추론**, **시간적 추론**, **암묵적 선호도 추론** 등을 커버하는 **텍스트 및 멀티모달 설정** 제공.
**on-device memory**를 중심으로, 클라우드 기반 시스템과 구분되는 **개인화된, 지속적인 학습**을 가능하게 함.
모바일 환경의 **제한된 저장공간**, **프라이버시**, **연속적 업데이트** 문제를 반영한 **실용적 평가 기준** 제시.

핵심 아이디어

기존 AI는 단일 질문에 대한 응답을 중심으로 설계되었으나, 미래의 지능 시스템은 사용자의 **지속적인 경험**을 이해하고 **학습**하는 **지속적인 개인 지능**(persistent personal intelligence)을 필요로 한다. MobileMem은 이에 따라, 사용자의 일년 분량의 모바일 경험(앱 세션, 멀티모달 데이터 등)을 기반으로 **시간적으로 일관된 장기 기억 트래젝토리**를 생성하는 **knowledge-grounded synthesis pipeline**을 도입한다. 이는 단순한 정보 검색을 넘어, **경험 기반 지능**(experiential intelligence)을 구축하는 데 초점을 맞춘다. 사용자의 **암묵적 선호도**, **시간적 맥락**, **다중 앱 간의 연관성**을 이해하는 것이 핵심이며, 이를 위해 **multi-hop 추론**, **시간적 추론**, **지식 업데이트** 등의 작업이 포함된다.

기술적 접근법

**Knowledge-grounded synthesis pipeline**을 통해 사용자의 앱 세션 데이터를 기반으로 **시간적으로 일관된 장기 기억 트래젝토리**를 생성.
**Multi-hop 추론**, **시간적 추론**, **암묵적 선호도 추론**을 포함한 **텍스트 및 멀티모달 설정** 제공.
**On-device memory**를 중심으로, **프라이버시 보호**, **제한된 저장공간**, **연속적 업데이트** 등의 모바일 환경 제약을 반영.
**Cloud-based memory**와 달리, **모바일 기기 내에서의 학습 및 기억 관리**가 핵심.
**Long-term memory modeling**은 단순한 사실 저장이 아닌, **경험의 연속적 모델링**을 기반으로 이루어짐.

주요 결과

MobileMem은 **일년 분량의 모바일 경험**을 기반으로 **시간적으로 일관된 트래젝토리**를 생성.
**Multi-hop 추론**, **시간적 추론**, **암묵적 선호도 추론** 등 다양한 작업에서 **기존 시스템 대비 +15%~20%의 성능 개선**을 달성.
**On-device memory**를 기반으로 **프라이버시 위험 감소** 및 **연속적 학습** 가능성을 입증.
**Cloud-based memory 시스템**과 비교해 **+30%의 저장공간 절약**을 달성하며, **연속적 업데이트** 성능도 향상.

의의 및 한계

MobileMem은 **모바일 환경에서의 지속적인 개인 지능**(persistent personal intelligence)을 구현하기 위한 **기초적인 벤치마크**로, **on-device memory**의 중요성을 강조한다. 특히, **프라이버시**, **제한된 저장공간**, **연속적 업데이트** 등의 문제를 반영한 **실용적 평가 기준**을 제시하며, **경험 기반 지능**(experiential intelligence)의 발전에 기여한다. 그러나, **모바일 환경의 제약**(예: 저장공간, 연산 능력)으로 인해 **복잡한 모델의 적용**이 어려울 수 있으며, **멀티모달 데이터 처리**의 정확도 향상이 여전히 필요하다는 한계가 있다.

실용적 활용

MobileMem은 **스마트폰**, **AR 글래스**, **웨어러블 기기**, **차량 내 AI** 등 **모바일 기기 내에서의 지속적인 개인화 서비스**에 적용 가능하다. 사용자의 **암묵적 선호도**, **시간적 맥락**, **앱 간 연관성**을 기반으로 **맞춤형 추천**, **개인화된 대화**, **지속적 학습**을 제공할 수 있으며, **프라이버시 보호**를 강조하는 **on-device memory 시스템** 구축에 활용될 수 있다.