MIT CSAIL в сотрудничестве с Национальным университетом Сингапура и A*STAR представили фреймворк MeMo, значительно повышающий производительность больших языковых моделей (LLM) до 26,73%. В статье, опубликованной 20 мая 2026 года, подробно описывается MeMo, или Memory as a Model, который позволяет LLM интегрировать новые знания без повторного обучения. Вместо этого обучается меньшая, специализированная модель памяти, предназначенная для хранения и извлечения информации, что позволяет основной LLM оставаться неизменной. Фреймворк MeMo использует пятиступенчатый процесс синтеза вопросов и ответов с рефлексией, позволяющий исполнительной LLM запрашивать модель памяти через структурированный протокол. Такой подход предотвращает катастрофическую потерю знаний и устраняет необходимость дорогостоящего повторного обучения основной модели. Тесты на наборах данных, таких как BrowseComp-Plus и NarrativeQA, показали значительное улучшение производительности, при этом модель памяти функционирует как универсальный адаптер для различных LLM. Это нововведение имеет потенциал для применения в ИИ в криптоинфраструктуре, особенно для агентов анализа DeFi, которым необходимы актуальные знания. Сокращая необходимость повторного обучения, MeMo может снизить операционные расходы на крипто-приложения с ИИ, хотя его эффективность в реальных динамичных условиях еще предстоит полностью проверить.