Meta AI ഒരു ഡ്യുവൽ-ഏജന്റ് മെമ്മറി സിസ്റ്റം (dual-agent memory system) അവതരിപ്പിച്ചു. ഇത് കമാൻഡ്-ലൈൻ ബെഞ്ച്മാർക്കിൽ ഓട്ടോണമസ് AI അസിസ്റ്റന്റുമാരുടെ വിജയനിരക്ക് 38%ൽ നിന്ന് 46% ആയും, മൾട്ടി-ഡൊമെയ്ൻ കൺവർസേഷണൽ ബെഞ്ച്മാർക്കിൽ 55%ൽ നിന്ന് 62% ആയും ഉയർത്തുന്നു. മാറ്റമില്ലാത്ത ഒരു "ആക്ഷൻ" (action) മോഡലിനൊപ്പം, ടാസ്കിന്റെ സമീപകാല ഘട്ടങ്ങൾ നിരീക്ഷിക്കുകയും കോൺടെക്സ്റ്റ് നഷ്ടപ്പെടാൻ സാധ്യതയുള്ളപ്പോൾ മാത്രം ഇടപെടുകയും ചെയ്യുന്ന ഒരു പ്രത്യേക "മെമ്മറി" കോച്ചിനെ (memory coach) കൂട്ടിയിണക്കുന്നതിലൂടെയാണ് ഈ വർദ്ധനവ് സാധ്യമാകുന്നത്.
ദീർഘനേരം നീണ്ടുനിൽക്കുന്ന AI ടാസ്ക്കുകളിലെ മറഞ്ഞിരിക്കുന്ന പോരായ്മ
ഒരു ലാംഗ്വേജ് മോഡൽ മൾട്ടി-സ്റ്റെപ്പ് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ശ്രമിക്കുമ്പോൾ, ഓരോ ഘട്ടത്തിലും സംഭാഷണ ചരിത്രത്തിലേക്ക് കൂടുതൽ ടെക്സ്റ്റ് കൂട്ടിച്ചേർക്കപ്പെടുന്നു. മോഡലിന്റെ അടുത്ത നീക്കം മുഴുവൻ സംഭാഷണത്തെയും അടിസ്ഥാനമാക്കിയായിരിക്കണം, എന്നാൽ പ്രായോഗികമായി പ്രസക്തമായ വിവരങ്ങൾ ഇതിനിടയിൽ മറഞ്ഞുപോകുന്നു. മെറ്റയുടെ ഗവേഷകർ ഇതിനെ "ബിഹേവിയറൽ സ്റ്റേറ്റ് ഡിക്വേ" (behavioral state decay) എന്ന് വിളിക്കുന്നു - കോൺടെക്സ്റ്റ് വിൻഡോ വലുതാകുമ്പോൾ ഏജന്റിന് അതിന്റെ ലക്ഷ്യബോധം ക്രമേണ നഷ്ടപ്പെടുന്ന അവസ്ഥയാണിത്. വെറുതെ വിൻഡോയുടെ വലിപ്പം കൂട്ടുന്നത് ഈ പ്രശ്നം പരിഹരിക്കില്ല; വിവരങ്ങൾ അവിടെ ഉണ്ടായേക്കാം, പക്ഷേ അവ മോഡലിന്റെ പ്രവചനങ്ങളെ സ്വാധീനിച്ചേക്കില്ല.
പരമ്പരാഗത മെമ്മറി അഡാപ്പ്ടറുകൾ (add-ons) ഒരു ഡോക്യുമെന്റ് വീണ്ടെടുക്കുകയോ മറുപടികൾ വ്യക്തിഗതമാക്കുകയോ ആണ് ചെയ്യുന്നത്. കഴിഞ്ഞകാല വിവരങ്ങളിൽ ഏതാണ് നിലവിലെ പ്രവർത്തനത്തെ ബാധിക്കാൻ ആവശ്യമായത്ര നിർണ്ണായകമെന്ന് അവ ഒരിക്കലും തീരുമാനിക്കുന്നില്ല. ഇതിന്റെ ഫലമായി, ദീർഘനേരം പ്രവർത്തിക്കുന്ന ഓട്ടോണമസ് ഏജന്റുകൾ വഴിതെറ്റിപ്പോകുകയോ, തെറ്റുകൾ ആവർത്തിക്കുകയോ, അല്ലെങ്കിൽ സംഭാഷണത്തിന്റെ തുടക്കത്തിൽ പറഞ്ഞ നിർണ്ണായകമായ നിയന്ത്രണങ്ങൾ ശ്രദ്ധിക്കാതെ പോകുകയോ ചെയ്യുന്നു.
എക്സിക്യൂഷനും മേൽനോട്ടവും വേർതിരിക്കൽ
എക്സിക്യൂഷൻ എഞ്ചിനെ ഒരു സൂപ്പർവൈസറി മെമ്മറി ലെയറിൽ നിന്ന് വേർതിരിക്കുന്ന ഒരു പ്ലഗ്-ആൻ-പ്ലേ ആർക്കിടെക്ചറാണ് മെറ്റയുടെ പരിഹാരം.
- Action Agent – കമാൻഡുകൾ നൽകുകയും ടൂളുകൾ ഉപയോഗിക്കുകയും ദൃശ്യമായ ഔട്ട്പുട്ട് നൽകുകയും ചെയ്യുന്ന മാറ്റം വരുത്താത്ത ഒരു ലാംഗ്വേജ് മോഡൽ. പരീക്ഷണങ്ങളിൽ ഇത് Claude Sonnet 4.5 ആണ്.
- Memory Agent – ഏറ്റവും പുതിയ ഘട്ടങ്ങൾ ഇടയ്ക്കിടെ പരിശോധിക്കുന്ന രണ്ടാമതൊരു മോഡൽ. പരീക്ഷണങ്ങളിൽ ഇത് Claude Opus 4.6 ആണ്.
മെമ്മറി ഏജന്റ് മൂന്ന് ഭാഗങ്ങളുള്ള ഒരു മെമ്മറി ബാങ്ക് സൂക്ഷിക്കുന്നു:
- Private Status Field – ആക്ഷൻ ഏജന്റിന് കാണാൻ കഴിയാത്ത പുരോഗതിയെയും റിസ്കിനെയും കുറിച്ചുള്ള ആന്തരിക സൂചകങ്ങൾ (flags).
- Knowledge Memory – ഫയൽ പാത്തുകൾ, കോൺഫിഗറേഷൻ വാല്യൂസ്, അല്ലെങ്കിൽ API എൻഡ്പോയിന്റുകൾ തുടങ്ങിയ സ്ഥിരമായ വസ്തുതകൾ.
- Procedural Memory – എന്താണ് വിജയിച്ചതെന്നും എന്താണ് പരാജയപ്പെട്ടതെന്നും ഉള്ള ഒരു ലോഗ്; പരാജയപ്പെട്ട കമാൻഡുകളും അവ പരിഹരിച്ച രീതികളും ഇതിൽ ഉൾപ്പെടുന്നു.
മുഴുവൻ സംഭാഷണവും സംഗ്രഹിക്കുന്നതിന് പകരം, ഇടപെടണോ വേണ്ടയോ എന്ന് മെമ്മറി ഏജന്റ് തീരുമാനിക്കുന്നു. ഒരു നിർണ്ണായക വിവരവും വിസ്മരിക്കപ്പെട്ടതായി കണ്ടാൽ, അത് ചുരുങ്ങിയ രീതിയിലുള്ള ഒരു ഓർമ്മപ്പെടുത്തൽ നൽകുന്നു; ഇല്ലെങ്കിൽ, അധിക ടോക്കണുകളും ലേറ്റൻസിയും ഒഴിവാക്കാൻ അത് നിശബ്ദമായി തുടരുന്നു.
ബെഞ്ച്മാർക്കുകൾ ആശയം തെളിയിക്കുന്നു
മെറ്റ രണ്ട് പബ്ലിക് സ്യൂട്ടുകളിൽ ഈ സിസ്റ്റം പരീക്ഷിച്ചു:
| ബെഞ്ച്മാർക്ക് | അടിസ്ഥാന വിജയം (Baseline success) | ഡ്യുവൽ-ഏജന്റ് വിജയം (Dual-agent success) |
|---|---|---|
| Terminal-Bench 2.0 (കമാൻഡ്-ലൈൻ) | 38% | 46% |
| tau2-Bench (റീട്ടെയിൽ, എയർലൈൻ, ടെലികോം) | 55% | 62% |
ഈ നേട്ടങ്ങൾ ശ്രദ്ധേയമാണ്, കാരണം രണ്ട് വരികളിലും ഒരേ ആക്ഷൻ മോഡൽ തന്നെയാണ് ഉപയോഗിച്ചിരിക്കുന്നത്; മെമ്മറി ലെയർ മാത്രമാണ് മാറിയത്. കീവേഡ് സെർച്ചിനെ ആശ്രയിക്കുന്ന, വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന പ്രൊഡക്ഷൻ മെമ്മറി ലെയറായ Mem0-യുമായി താരതമ്യം ചെയ്യുമ്പോൾ മെറ്റയുടെ സമീപനം മികച്ച പ്രകടനം കാഴ്ചവെച്ചു. ഒരു സിമുലേറ്റഡ് എയർലൈൻ ബുക്കിംഗ് സാഹചര്യത്തിൽ, ഉപയോക്താവ് തെറ്റായി "Gold status" എന്ന് അവകാശപ്പെട്ടു. മെമ്മറി ഏജന്റ് ഈ പൊരുത്തക്കേട് കണ്ടെത്തി, എയർലൈനിന്റെ API-ൽ നിന്നുള്ള വെരിഫൈ ചെയ്ത ലോയൽറ്റി-സ്റ്റാറ്റസ് ചെക്ക് വിശ്വസിക്കാൻ ആക്ഷൻ മോഡലിനെ ഓർമ്മിപ്പിച്ചു, തുടർന്ന് ഇടപാട് ശരിയായി പൂർത്തിയായി.
വ്യവസായം എന്തിനാണ് ഇതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടത്
വലിയ മോഡലുകളെ മാത്രം ആശ്രയിക്കാതെ മുന്നോട്ട് പോകാനുള്ള ഒരു വഴി ഈ ഫലം സൂചിപ്പിക്കുന്നു. കോൺടെക്സ്റ്റ് മാനേജ്മെന്റ് ഒരു ലഘുവായ സൂപ്പർവൈസറിലേക്ക് മാറ്റുന്നതിലൂടെ, പ്രൈമറി മോഡലിന്റെ പാരാമീറ്റർ എണ്ണം വർദ്ധിപ്പിക്കാതെ തന്നെ ഡസൻ കണക്കിന് ഘട്ടങ്ങളിലായി നീണ്ടുനിൽക്കുന്ന ജോലികൾക്കായി (സോഫ്റ്റ്വെയർ ഡിബഗ്ഗിംഗ്, സങ്കീർണ്ണമായ കസ്റ്റമർ സർവീസ് ഫ്ലോകൾ, അല്ലെങ്കിൽ ഓട്ടോണമസ് ഡാറ്റാ പൈപ്പ്ലൈനുകൾ) വിശ്വാസ്യത വർദ്ധിപ്പിക്കാൻ ഡെവലപ്പർമാർക്ക് കഴിയും.
ഓട്ടോണമസ് ഏജന്റുകൾ നിർമ്മിക്കുന്ന കമ്പനികൾക്ക് ഈ ആർക്കിടെക്ചർ നൽകുന്നത്:
- Reduced error drift – വിസ്മരിക്കപ്പെട്ട നിയന്ത്രണങ്ങൾക്കെതിരെ സിസ്റ്റം സജീവമായി കാവൽ നിൽക്കുന്നു.
- Token efficiency – ഇടപെടലുകൾ തിരഞ്ഞെടുക്കപ്പെട്ടവയാണ്, അതിനാൽ ആക്ഷൻ മോഡൽ കുറഞ്ഞ അപ്രസക്തമായ ടോക്കണുകൾ മാത്രം പ്രോസസ്സ് ചെയ്യുന്നു.
- Modular upgrades – ആക്ഷൻ കോറിനെ വീണ്ടും പരിശീലിപ്പിക്കാതെ തന്നെ മെമ്മറി കോച്ചിനെ പുതിയൊരു മോഡലിലേക്ക് മാറ്റാൻ കഴിയും.
ട്രേഡ്-ഓഫുകളും തുറന്ന ചോദ്യങ്ങളും
അടുത്തതായി ശ്രദ്ധിക്കേണ്ടവ
Takeaway: ഒരു പ്രത്യേക മെമ്മറി കോച്ചിന് ബിഹേവിയറൽ സ്റ്റേറ്റ് ഡിക്വേ തടയാൻ കഴിയും, പ്രൈമറി റീസണിംഗ് മോഡൽ പുനർരൂപകൽപ്പന ചെയ്യാതെ തന്നെ വിജയനിരക്കിൽ ഇരട്ട അക്ക വർദ്ധനവ് നൽകാനും ഇതിന് സാധിക്കും. സിസ്റ്റത്തിന്റെ സങ്കീർണ്ണത വർദ്ധിക്കുന്നു എന്നതാണ് ഇതിന്റെ പോരായ്മ, എന്നാൽ കൂടുതൽ വിശ്വസനീയമായ ഓട്ടോണമസ് ഏജന്റുകൾ എന്ന ഫലം ആ അധിക എഞ്ചിനീയറിംഗ് പരിശ്രമത്തിന് അർഹമാണ്.