O MIT CSAIL, em colaboração com a Universidade Nacional de Singapura e a A*STAR, apresentou o framework MeMo, que aumenta significativamente o desempenho dos grandes modelos de linguagem (LLM) em até 26,73%. Detalhado em um artigo publicado em 20 de maio de 2026, o MeMo, ou Memória como Modelo, permite que os LLMs incorporem novos conhecimentos sem a necessidade de re-treinamento. Em vez disso, um modelo de Memória menor e dedicado é treinado para armazenar e recuperar informações, permitindo que o LLM principal permaneça inalterado. O framework MeMo utiliza um pipeline de síntese de QA de reflexão em cinco etapas, permitindo que o LLM Executivo consulte o modelo de Memória por meio de um protocolo estruturado. Essa abordagem previne o esquecimento catastrófico e elimina a necessidade de re-treinamento custoso do modelo principal. Testes em conjuntos de dados como BrowseComp-Plus e NarrativeQA demonstraram melhorias significativas no desempenho, com o modelo de Memória funcionando como um adaptador universal para vários LLMs. Essa inovação tem potencial para aplicações de IA na infraestrutura de criptomoedas, especialmente para agentes de análise DeFi que requerem conhecimento atualizado. Ao reduzir a necessidade de re-treinamento, o MeMo pode diminuir os custos operacionais para aplicações de criptomoedas impulsionadas por IA, embora sua eficácia no mundo real em ambientes dinâmicos ainda precise ser totalmente testada.