Le MIT CSAIL, en collaboration avec l'Université nationale de Singapour et A*STAR, a présenté le cadre MeMo, améliorant significativement les performances des grands modèles de langage (LLM) jusqu'à 26,73 %. Détaillé dans un article publié le 20 mai 2026, MeMo, ou Mémoire comme Modèle, permet aux LLM d'intégrer de nouvelles connaissances sans nécessiter de réentraînement. À la place, un modèle de Mémoire plus petit et dédié est entraîné pour stocker et rappeler l'information, permettant au LLM principal de rester inchangé. Le cadre MeMo utilise un pipeline de synthèse QA en cinq étapes de réflexion, permettant au LLM exécutif d'interroger le modèle de Mémoire via un protocole structuré. Cette approche évite l'oubli catastrophique et élimine le besoin de réentraînements coûteux du modèle principal. Les benchmarks sur des ensembles de données comme BrowseComp-Plus et NarrativeQA ont démontré des améliorations significatives des performances, le modèle de Mémoire fonctionnant comme un adaptateur universel à travers divers LLM. Cette innovation présente un potentiel pour les applications d'IA dans l'infrastructure crypto, notamment pour les agents d'analyse DeFi nécessitant des connaissances à jour. En réduisant le besoin de réentraînement, MeMo pourrait diminuer les coûts opérationnels des applications crypto pilotées par IA, bien que son efficacité en conditions réelles et dynamiques reste à être pleinement testée.