Google Research đã giới thiệu ReasoningBank, một khung bộ nhớ đại lý mới được thiết kế để nâng cao khả năng học tập của các đại lý AI bằng cách tận dụng các thành công và thất bại trong quá khứ. Được phát hành vào ngày 22 tháng 4, ReasoningBank cho phép các đại lý dựa trên mô hình lớn chắt lọc kinh nghiệm thành các chiến lược suy luận tổng quát, lưu trữ chúng trong một ngân hàng bộ nhớ để thực hiện các nhiệm vụ trong tương lai. Phương pháp này cải tiến so với các phương pháp trước đây bằng cách tập trung vào các mẫu suy luận thay vì chuỗi hành động, kết hợp cả kinh nghiệm thành công và thất bại trong nhiệm vụ. Khung này, được trình bày chi tiết trong một bài báo công bố tại ICLR và có sẵn trên GitHub, bao gồm Memory-aware Test-time Scaling (MaTTS) để phân bổ thêm tài nguyên tính toán trong quá trình suy luận. Điều này cho phép các đại lý khám phá nhiều lộ trình nhiệm vụ cùng lúc, tinh chỉnh các chiến lược thông qua so sánh tự thân. Trong các bài kiểm tra chuẩn, ReasoningBank đã thể hiện tỷ lệ thành công cao hơn 8,3% trên các nhiệm vụ WebArena và cải thiện 4,6% trên các nhiệm vụ SWE-Bench-Verified so với các cơ sở không có bộ nhớ, với những cải tiến thêm khi áp dụng MaTTS.