MIT CSAILは、シンガポール国立大学およびA*STARと協力して、MeMoフレームワークを発表しました。これにより、大規模言語モデル（LLM）の性能が最大26.73％向上しました。2026年5月20日に発表された論文で詳述されているMeMo（Memory as a Model）は、LLMが再訓練なしに新しい知識を取り込むことを可能にします。代わりに、小規模で専用のメモリモデルが情報の保存と呼び出しのために訓練され、メインのLLMは変更されません。 MeMoフレームワークは、5段階のリフレクションQA合成パイプラインを採用しており、エグゼクティブLLMが構造化されたプロトコルを通じてメモリモデルに問い合わせることを可能にします。このアプローチにより、壊滅的忘却を防ぎ、メインモデルの高コストな再訓練の必要性を排除します。BrowseComp-PlusやNarrativeQAなどのデータセットでのベンチマークでは、メモリモデルがさまざまなLLMに対応するユニバーサルアダプターとして機能し、著しい性能向上が示されました。 この革新は、特に最新の知識を必要とするDeFi分析エージェント向けの暗号インフラにおけるAIアプリケーションに可能性を秘めています。再訓練の必要性を減らすことで、MeMoはAI駆動の暗号アプリケーションの運用コストを削減できる可能性がありますが、動的環境での実際の効果はまだ十分に検証されていません。