Ang Long-Term Memory Algorithm ni Mem0 ay lalong naging mas akurat ng 26% kaysa kay OpenAI

Ayon sa ME News, noong Abril 17 (UTC+8), ayon sa pagmamasid ng Beating, ang personalisadong AI memory platform na Mem0 ay naglabas ng mga resulta ng pag-aaral sa kanilang pangunahing algorithm para sa matagalang pagtanda. Ayon sa mga datos ng eksperimento, mas mataas ang accuracy ng pagtugon ng Mem0 sa LOCOMO benchmark ng 26% kumpara sa built-in memory function ng OpenAI, samantalang dahil sa kanilang “fact-based” retrieval mechanism, bumaba ang P95 inference latency ng 91% at bumaba ang paggamit ng tokens ng 90%. Ang pangunahing problema na lutasin ng algorithm ay ang “forgetfulness” ng AI agents sa mahabang panahon ng interaksyon. Sa halip na gamitin ang malaking context window ng LLM, gumagamit ang Mem0 ng dalawang-panahon na proseso: sa “extraction phase,” kinukuha ng sistema ang mga mahahalagang katotohanan mula sa pinakabagong usapan, rolling summary, at kasaysayan; sa “update phase,” ginagawa ng sistema ang paghahambing sa vector database upang magdagdag, i-update, i-delete, o i-ignor ang mga kontrabida, upang siguraduhin ang kalinisan at konsistensya ng memory base. Ang pag-aaral ay naglalarawan din ng isang enhanced na bersyon na Mem0ᵍ. Ang bersyong ito ay naglalaman ng graph database structure na nagpapalit ng mga nakuhang katotohanan sa mga node at edge na may label, upang ma-capture ang mga kumplikadong ugnayan ng mga entidad sa pagitan ng maraming session. Sa praktikal na production environment, kayang tapusin ng Mem0 ang buong proseso mula sa memory retrieval hanggang sa pagbuo ng sagot sa loob lamang ng 0.71 segundo, samantalang ang tradisyonal na “full-context” method ay nangangailangan ng halos 10 segundo. Kasalukuyang tinanggap na ng European Conference on Artificial Intelligence (ECAI) ang pag-aaral na ito, at ang kaugnay na code ay nasa GitHub bilang open source. (Source: BlockBeats)