Memory Harnesses for Long-Running Research Agents — Stefania Druga, Sakana.ai
Stefania Druga från Sakana.ai testade hur AI-agenter kan minnas information under längre arbetsuppgifter.
Hon byggde ett minnessystem som fungerar som en skrivning-hantering-läsning-loop runt modellen, inte en enkel databas. Det viktigaste resultatet var negativt: när all information redan fick plats i modellens korttidsminne (context window) gjorde minnet ingen skillnad — bara högre kostnad. Men när svaret låg långt ut — på steg 124 medan frågan kom på steg 500 — blev minnet helt avgörande. Hennes bästa approach var en rangordnad lista över tidigare beslut, vilket slog både slumpmässig sökning och en "oracle" som fick perfekt minne. Hon körde experimenten på en lokal dator i Tokyo med fläktar runt den.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
AI Engineer 23 okt.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg
AI Engineer 23 okt.
Outside of tech there has been no financial payoff to US companies for using AI, now viewed as a margin-hurting cost center, as VC-backed firms burn more tokens
Techmeme för 3 tim sedan
Source: Replit recently moved most AI spend from Anthropic to OpenAI, which gave 30%+ off in a deal worth $100M+/year, after Anthropic discontinued its discount
Techmeme för 5 tim sedan