大規模言語モデル（LLM）を用いたエージェントは複雑な推論タスクで高い成果を示すが、タスクが長期になると作業記憶が不要情報で混乱し、注意が散漫になる。これを解消するため、研究者らはCognitive Resource Self‑Allocation（CORAL）という新たな推論パラダイムを提案した。CORALでは、エージェントが自ら呼び出せるツールセットを導入し、Memory Managementツールで進捗と検証済み事実をチェックポイント化し、Context Optimizationツールで不要な情報を削除してクラッタ―を除去できる。

この手法をGAIAベンチマークに適用した結果、8BモデルのCORALは平均精度42.8％を達成し、ReActエージェントを上回った。さらに、入力トークン数を6〜7倍削減し、計算コストを6〜7倍低減した。マルチホップの知識質問応答ベンチマークや、より難易度の高いBrowseCompでは、強力な既存エージェントのスコアを8.0ポイント向上させた。

CORALの成果は、モデルアーキテクチャを変更せずに、エージェント自身がメモリを管理できることで、認知負荷を軽減し推論ステップ数が多いタスクでの計算効率を高めることを示している。