Google Research ha presentado ReasoningBank, un nuevo marco de memoria para agentes diseñado para mejorar las capacidades de aprendizaje de los agentes de IA aprovechando los éxitos y fracasos pasados. Lanzado el 22 de abril, ReasoningBank permite que agentes impulsados por modelos grandes destilen experiencias en estrategias de razonamiento generalizadas, almacenándolas en un banco de memoria para la ejecución futura de tareas. Este enfoque mejora los métodos anteriores al centrarse en patrones de razonamiento en lugar de secuencias de acciones, incorporando tanto experiencias de tareas exitosas como fallidas. El marco, detallado en un artículo publicado en ICLR y disponible en GitHub, incluye Memory-aware Test-time Scaling (MaTTS) para asignar recursos computacionales adicionales durante la inferencia. Esto permite a los agentes explorar múltiples trayectorias de tareas simultáneamente, refinando estrategias mediante la auto-comparación. En las pruebas comparativas, ReasoningBank demostró una tasa de éxito un 8.3% mayor en tareas de WebArena y una mejora del 4.6% en tareas de SWE-Bench-Verified en comparación con las bases sin memoria, con mejoras adicionales cuando se aplica MaTTS.