Навчання великої мовної моделі чомусь новому після її навчання, щоб сказати м’яко, — це проблема. Ви або переучуєте всю модель (дуже дорого), або заповнюєте її контекстне вікно документами (обмежено), або додаєте системи пошуку, які часто не справляються зі складними запитами. Дослідники з MIT CSAIL, Національного університету Сінгапуру та A*STAR недавно опублікували рамки, які обходять усі три проблеми.
Фреймворк називається MeMo, скорочено від Memory as a Model. Він був детально описаний у статті, опублікованій 20 травня 2026 року (arXiv:2605.15156), і його основна ідея елегантно проста: замість того щоб втискати нові знання в існуючу LLM, навчіть окрему, меншу модель, єдина задача якої — пам’ятати. Основна LLM залишається замороженою. Вона просто запитує модель пам’яті, коли потрібні відповіді.
Як працює MeMo
У технічному плані MeMo використовує п’ятикрокову рефлексивну QA-синтезуючу пайплайн для навчання моделі Memory новим знанням у певній галузі. Під час висновку заморожена Executive LLM, така як Qwen2.5 або Gemini-3-Flash, запитує модель Memory за допомогою структурованого багатокрокового протоколу. Модель Memory інтегрує інформацію, а не просто витягує фрагменти тексту, що відрізняє її від традиційних систем RAG (retrieval-augmented generation).
Ця архітектура уникне катастрофічного забування — явища, коли оновлення нейромережі новими даними призводить до втрати раніше засвоєних здібностей. Це також означає, що вам ніколи не потрібно заново налаштовувати велику та дорогу виконавчу модель при надходженні нової інформації. Ви просто оновлюєте меншу пам’ятеву модель.
Тестування на наборах даних, включаючи BrowseComp-Plus, NarrativeQA та MuSiQue, показало підвищення продуктивності до 26,73% при переключенні моделей Executive на Gemini-3-Flash, причому компонент Memory не перенавчався. Модель Memory, після навчання, працювала з різними Executive LLM як універсальний адаптер.
Ця сумісність «підключи і користуйся» поширюється як на відкриті, так і на закриті LLM. Ви можете навчити модель Memory один раз і розгорнути її з будь-якою передовою моделлю, яку вибере ваша організація, або замінювати Executive-моделі на кращі, коли вони з’являться. Шар знань зберігається незалежно.
RAG, у порівнянні, має добре задокументовані слабкі місця. Він чутливий до шуму у витягнутих документах, має труднощі з мультидокументним міркуванням і погіршується, коли питання вимагають синтезу інформації з багатьох джерел. Підхід MeMo, який кодує знання у ваги моделі замість витягування сирого тексту, здається, краще справляється з цими сценаріями.
Чому це важливо для крипто-ІІ-інфраструктури
У дослідженні MeMo не згадуються жодні токени блокчейну чи крипто-специфічні проекти. Давайте це зрозуміло визначимо з самого початку.
Аналіз у мережі — це один із найочевидніших випадків використання. AI-агенти, які моніторять DeFi-протоколи, відстежують активність гаманців або позначають підозрілі транзакції, потребують постійно оновленої інформації про нові контракти, пропозиції з управління та ринкові умови. Архітектура типу MeMo може дозволити агенту для аналізу DeFi зберігати постійне, оновлюване сховище знань у своїй моделі пам’яті, одночасно виконуючи висновки через будь-яку передову LLM, яка пропонує найкращі можливості міркування. Коли протокол змінює свої параметри, ви оновлюєте модель пам’яті. Виконавець залишається незмінним.
Кут операційних витрат є значущим. Перенавчання великих моделей — одні з найбільших витрат для криптовалютних додатків, створених з урахуванням ІІ, і це повторювана витрата, яка зростає разом із частотою змін базових даних. Фреймворк, який виключає перенавчання, зберігаючи або покращуючи продуктивність, може значно зменшити витрати на запуск складних ІІ-агентів.
Що повинні спостерігати інвестори
RAG був стандартним підходом для підтримки актуальності LLM, і навколо нього була створена ціла екосистема векторних баз даних, моделей вкладень та пайплайнів пошуку. Якщо підхід MeMo виявиться ефективнішим у масштабі, деяка з цієї інфраструктури стане менш необхідною.
Один із ризиків, який варто врахувати: тестування MeMo проводилося на академічних наборах даних. Реальна продуктивність у шумних, ворожих середовищах, таких як криптовалютні ринки, може відрізнятися.