Google Research, geçmiş başarılar ve başarısızlıklardan yararlanarak yapay zeka ajanlarının öğrenme yeteneklerini geliştirmeyi amaçlayan yeni bir ajan hafıza çerçevesi olan ReasoningBank'i tanıttı. 22 Nisan'da yayımlanan ReasoningBank, büyük model tabanlı ajanların deneyimlerini genelleştirilmiş akıl yürütme stratejilerine dönüştürmesine ve bunları gelecekteki görevler için bir hafıza bankasında saklamasına olanak tanıyor. Bu yaklaşım, önceki yöntemlere kıyasla eylem dizileri yerine akıl yürütme kalıplarına odaklanarak hem başarılı hem de başarısız görev deneyimlerini içermesiyle gelişme sağlıyor. ICLR'de yayımlanan ve GitHub'da erişilebilir olan bir makalede detaylandırılan bu çerçeve, çıkarım sırasında ek hesaplama kaynakları tahsis etmek için Hafıza Bilinçli Test Zamanı Ölçeklendirmesi (MaTTS) içeriyor. Bu, ajanların aynı anda birden fazla görev yolunu keşfetmelerine ve stratejilerini kendi kendine karşılaştırarak geliştirmelerine olanak sağlıyor. Kıyaslamalarda, ReasoningBank, hafızasız temel modellerle karşılaştırıldığında WebArena görevlerinde %8,3, SWE-Bench-Verified görevlerinde ise %4,6 daha yüksek başarı oranı gösterdi ve MaTTS uygulandığında daha da iyileşmeler sağladı.