MIT CSAIL, phối hợp với Đại học Quốc gia Singapore và A*STAR, đã giới thiệu khung MeMo, tăng hiệu suất mô hình ngôn ngữ lớn (LLM) lên đến 26,73%. Được trình bày chi tiết trong một bài báo phát hành ngày 20 tháng 5 năm 2026, MeMo, hay Memory as a Model, cho phép các LLM tích hợp kiến thức mới mà không cần huấn luyện lại. Thay vào đó, một mô hình Memory nhỏ hơn, chuyên dụng được đào tạo để lưu trữ và truy xuất thông tin, giúp LLM chính không bị thay đổi. Khung MeMo sử dụng quy trình tổng hợp phản chiếu QA gồm năm bước, cho phép LLM điều hành truy vấn mô hình Memory thông qua một giao thức có cấu trúc. Cách tiếp cận này ngăn ngừa việc quên kiến thức nghiêm trọng và loại bỏ nhu cầu huấn luyện lại tốn kém cho mô hình chính. Các bài kiểm tra trên các bộ dữ liệu như BrowseComp-Plus và NarrativeQA đã chứng minh sự cải thiện hiệu suất đáng kể, với mô hình Memory hoạt động như một bộ điều hợp phổ quát cho nhiều LLM khác nhau. Đổi mới này có tiềm năng ứng dụng trong AI cho hạ tầng tiền điện tử, đặc biệt là cho các đại lý phân tích DeFi cần kiến thức cập nhật. Bằng cách giảm nhu cầu huấn luyện lại, MeMo có thể giảm chi phí vận hành cho các ứng dụng tiền điện tử dựa trên AI, mặc dù hiệu quả thực tế trong môi trường động vẫn cần được kiểm tra đầy đủ.