Проблема статичной памяти в AI
Память является ключевым компонентом для долгосрочного взаимодействия AI-агентов с пользователями, позволяя им накапливать опыт и сохранять персонализацию. Однако существующие системы часто остаются неизменными после первоначальной разработки, что ограничивает их способность адаптироваться к новым сценариям и улучшать организационные стратегии в процессе использования.
Архитектура MindMemOS
Новая система MindMemOS предлагает портативный и самоэволюционирующий слой памяти, который организует информацию открытого мира с использованием единой структуры временных свойств сущностей. Ключевые компоненты системы включают:
- MindMemEvolve: Алгоритм, использующий валидационно-управляемый эволюционный поиск для оптимизации схем памяти под конкретные сценарии.
- Dreaming: Процесс консолидации накопленных воспоминаний путем слияния избыточных записей и разрешения конфликтов.
- Implicit Corrective Feedback: Механизм обратной связи от человека для выявления и исправления неточных или несовпадающих воспоминаний.
- MindSkillEvolve: Алгоритм, преобразующий траектории выполнения задач агента в переиспользуемые и постоянно совершенствующиеся навыки.
Результаты бенчмарков
Эксперименты показали высокую эффективность предложенного подхода на стандартных наборах данных. Система демонстрирует конкурентоспособные результаты в задачах персонализации и работы с долгосрочной памятью.
| Бенчмарк | Метрика | Результат |
|---|---|---|
| LOCOMO | Точность (Accuracy) | 94.03% |
| PersonaMem | Точность (Accuracy) | 70.63% |
| SpreadsheetBench | Рост успеха (vs baseline) | +9.2 п.п. |
Значение для индустрии
Представленная работа решает фундаментальную проблему «застревания» моделей в статичном состоянии. Возможность автономного уточнения памяти и эволюции навыков через MindSkillEvolve открывает путь к созданию AI-агентов, которые становятся умнее и эффективнее по мере взаимодействия с пользователем, без необходимости постоянной ручной дообучки со стороны разработчиков.
Источник: arXiv cs.AI ↗