How Much Memory Does Your Agent Actually Need?
Bild från huggingface.co
Hugging Face presenterar ALTK-Evolve, ett system som låter AI-agenter lära sig från sina egna tidigare försök genom att extrahera riktlinjer och senare använda dem igen — utan att uppdatera själva modellen.
Forskarna testade detta på åtta olika AI-modeller och upptäckte något överraskande: mängden minne som hjälper beror helt på vilken modell du använder. Stora kraftfulla modeller som DeepSeek-V3.2 gagnas av alla riktlinjer, medan mindre modeller som gpt-oss-120b presterar bättre med bara ett urval av de viktigaste riktlinjerna. Systemet är billigt att använda — en modell ökade sina rätta svar med 16 procentenheter medan tokenförbrukningen bara ökade med 5 procent.
Agentic memory is not a feature you switch on. It's a dose you calibrate to the model.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör Hugging Face.
Mer från Hugging Face
IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license
Hugging Face för 6 tim sedan
Safety for Whom? Refusing the Right Subset of a Topic, Not the Whole Topic
Hugging Face 8 sep.
The exact tools used to port a massive codebase in days #programming #typescript #dev
AI Engineer för 2 tim sedan
v2.1.267
Claude Code för 2 tim sedan