MIT CSAIL, en colaboración con la Universidad Nacional de Singapur y A*STAR, ha presentado el marco MeMo, que mejora significativamente el rendimiento de los modelos de lenguaje grande (LLM) hasta en un 26,73 %. Detallado en un artículo publicado el 20 de mayo de 2026, MeMo, o Memoria como Modelo, permite que los LLM incorporen nuevos conocimientos sin necesidad de reentrenamiento. En su lugar, se entrena un modelo de Memoria más pequeño y dedicado para almacenar y recuperar información, permitiendo que el LLM principal permanezca sin cambios. El marco MeMo emplea una canalización de síntesis de preguntas y respuestas de reflexión en cinco pasos, que permite al LLM Ejecutivo consultar el modelo de Memoria mediante un protocolo estructurado. Este enfoque previene el olvido catastrófico y elimina la necesidad de costosos reentrenamientos del modelo principal. Las pruebas en conjuntos de datos como BrowseComp-Plus y NarrativeQA demostraron mejoras significativas en el rendimiento, con el modelo de Memoria funcionando como un adaptador universal en varios LLM. Esta innovación tiene potencial para aplicaciones de IA en infraestructura criptográfica, particularmente para agentes de análisis DeFi que requieren conocimientos actualizados. Al reducir la necesidad de reentrenamiento, MeMo podría disminuir los costos operativos de las aplicaciones criptográficas impulsadas por IA, aunque su eficacia en entornos dinámicos del mundo real aún debe ser probada completamente.