Das MIT CSAIL hat in Zusammenarbeit mit der National University of Singapore und A*STAR den MeMo-Rahmen vorgestellt, der die Leistung großer Sprachmodelle (LLM) um bis zu 26,73 % erheblich steigert. In einem am 20. Mai 2026 veröffentlichten Papier wird MeMo, oder Memory as a Model, beschrieben, das es LLMs ermöglicht, neues Wissen ohne erneutes Training zu integrieren. Stattdessen wird ein kleineres, dediziertes Memory-Modell trainiert, um Informationen zu speichern und abzurufen, wodurch das Haupt-LLM unverändert bleibt. Der MeMo-Rahmen verwendet eine fünfstufige Reflexions-QA-Synthese-Pipeline, die es dem Executive-LLM ermöglicht, das Memory-Modell über ein strukturiertes Protokoll abzufragen. Dieser Ansatz verhindert katastrophales Vergessen und eliminiert die Notwendigkeit eines kostspieligen erneuten Trainings des Hauptmodells. Benchmark-Tests mit Datensätzen wie BrowseComp-Plus und NarrativeQA zeigten signifikante Leistungsverbesserungen, wobei das Memory-Modell als universeller Adapter für verschiedene LLMs fungiert. Diese Innovation birgt Potenzial für KI-Anwendungen in der Krypto-Infrastruktur, insbesondere für DeFi-Analyseagenten, die aktuelles Wissen benötigen. Durch die Reduzierung des Trainingsbedarfs könnte MeMo die Betriebskosten für KI-gesteuerte Krypto-Anwendungen senken, obwohl die Wirksamkeit in dynamischen Umgebungen in der Praxis noch vollständig getestet werden muss.