São Paulo — InkDesign News — Pesquisadores da Mem0 desenvolveram duas novas arquiteturas de memória focadas em melhorar a capacidade de grandes modelos de linguagem (LLMs) em manter conversas longas e coerentes, enfrentando desafios típicos de janelas de contexto fixas em sistemas de deep learning.
Tecnologia e abordagem
As arquiteturas Mem0 e Mem0g extraem, consolidam e recuperam dinamicamente informações essenciais dos diálogos, funcionando como uma memória mais humana para LLMs. O Mem0 opera em duas fases: extração de fatos relevantes a partir de mensagens recentes e atualização, que avalia se deve adicionar, atualizar, deletar ou ignorar fatos preservando consistência. Já o Mem0g expande essa base com uma representação gráfica, onde entidades e suas relações são modeladas como nós e arestas, permitindo raciocínios relacionais complexos. O uso do conhecimento relacional é importante para consultas que demandam múltiplos passos, como acompanhamento de eventos interligados.
“Ao espelhar a recordação seletiva humana, o Mem0 transforma agentes de IA de respondentes esquecidos em parceiros confiáveis que mantêm coesão por dias, semanas ou meses.”
(“By mirroring human selective recall, Mem0 transforms AI agents from forgetful responders into reliable partners capable of maintaining coherence across days, weeks, or even months.”)— Taranjeet Singh, CEO, Mem0
Aplicação e desempenho
Testes feitos no benchmark LOCOMO mostraram que Mem0 e Mem0g superam ou igualam modelos já estabelecidos em questões envolvendo múltiplos saltos, temporalidade e domínios abertos, reduzindo significativamente latência e custo computacional. O Mem0 diminui a latência em 91% e o consumo de tokens em mais de 90%, mantendo qualidade competitiva, enquanto o Mem0g se destaca em inferência temporal e em raciocínios que envolvem relacionamentos complexos.
Impacto e mercado
Essas soluções são particularmente relevantes para empresas que necessitam de agentes de IA confiáveis para aplicações com longas interações, como suporte ao cliente, assistentes de planejamento e sistemas de saúde. Conforme explicado, falhas dos sistemas atuais são comuns em lembrar dados críticos como preferências pessoais ou informações médicas entre sessões. A arquitetura Mem0 reduz esses problemas por meio de armazenamento seletivo de dados e raciocínio avançado com o Mem0g.
“Escolher entre Mem0 e sua versão gráfica Mem0g depende da complexidade do raciocínio exigido e dos trade-offs entre velocidade, simplicidade e poder inferencial.”
(“Choosing between the core Mem0 engine and its graph-enhanced version, Mem0g, ultimately comes down to the nature of the reasoning your application needs and the trade-offs you’re willing to make between speed, simplicity, and inferential power.”)— Taranjeet Singh, CEO, Mem0
Essas arquiteturas representam um avanço no desenvolvimento de IA conversacional capaz de reter e utilizar informações contextuais ao longo do tempo, permitindo uma experiência mais personalizada e eficaz. O desenvolvimento direciona a IA para uma memória viva e evolutiva, essencial para copilotos empresariais e agentes digitais autônomos.
Fonte: (VentureBeat – AI)
