Исследователи представили UniMem — архитектуру памяти, решающую проблему «стабильности-пластичности» при работе ИИ-агентов с потоковыми задачами. Система объединяет эпизодическую память для быстрого накопления опыта и параметрическую память для закрепления навыков. Это позволяет агентам эффективно адаптироваться к новым сценариям, не теряя при этом накопленные ранее знания и не перегружая контекстное окно при инференсе.
Традиционные подходы к RAG часто ограничиваются простым поиском по базе данных, что затрудняет перенос стратегий между задачами. UniMem использует механизм дополняющей памяти, где эпизодические данные постепенно консолидируются в параметрическую память модели. Такой подход имитирует биологические процессы обучения, позволяя агенту «запоминать» успешные паттерны выполнения задач и применять их в будущем без необходимости каждый раз обращаться к внешним источникам.
Архитектура минимизирует задержки при выполнении запросов, так как наиболее важные стратегии становятся частью весов модели. Это критически важно для автономных систем, работающих в динамических средах, где границы задач не определены заранее, а требования к точности и скорости исполнения постоянно растут.
Ключевые факты
- UniMem решает дилемму стабильности-пластичности, позволяя агентам усваивать новые данные без катастрофического забывания старых.
- Система разделяет память на эпизодическую (быстрое накопление) и параметрическую (долгосрочное закрепление стратегий).
- Архитектура снижает зависимость от внешнего поиска в реальном времени, оптимизируя производительность при работе с непрерывными потоками задач.
- Метод ориентирован на устранение ограничений стандартных RAG-систем, которые не способны эффективно интернализировать повторяющиеся паттерны поведения.