Meta AI ఒక dual-agent memory systemను పరిచయం చేసింది, ఇది కమాండ్-లైన్ బెంచ్మార్క్లో స్వయంప్రతిపత్తి కలిగిన AI అసిస్టెంట్ల విజయ రేటును 38% నుండి 46%కి మరియు మల్టీ-డొమైన్ కన్వర్సేషనల్ బెంచ్మార్క్లో 55% నుండి 62%కి పెంచింది. మార్పు చేయని "action" మోడల్ను, టాస్క్ యొక్క ఇటీవలి దశలను పర్యవేక్షించే మరియు సందర్భం (context) మరుగున పడిపోయే ప్రమాదం ఉన్నప్పుడు మాత్రమే జోక్యం చేసుకునే ప్రత్యేకమైన "memory" కోచ్తో జత చేయడం వల్ల ఈ వృద్ధి సాధ్యమైంది.
దీర్ఘకాలిక AI పనులలోని దాగి ఉన్న లోపం
ఒక లాంగ్వేజ్ మోడల్ మల్టీ-స్టెప్ సమస్యను పరిష్కరించేటప్పుడు, ప్రతి దశ సంభాషణ చరిత్రకు (conversation history) మరింత టెక్స్ట్ను జోడిస్తుంది. మోడల్ యొక్క తదుపరి చర్య మొత్తం ట్రాన్స్క్రిప్ట్ ఆధారంగా ఉండాలి, కానీ ఆచరణలో సంబంధిత వాస్తవాలు లోపల కలిసిపోతాయి. Meta పరిశోధకులు దీనిని “behavioral state decay” అని పిలుస్తారు – అంటే కాంటెక్స్ట్ విండో పెరిగేకొద్దీ ఏజెంట్ యొక్క ఉద్దేశ్యం (purpose) క్రమంగా క్షీణించడం. కేవలం విండోను వెడల్పు చేయడం వల్ల ఈ సమస్య పరిష్కారం కాదు; సమాచారం అందుబాటులో ఉన్నప్పటికీ, అది మోడల్ యొక్క అంచనాలపై ప్రభావం చూపకపోవచ్చు.
సాంప్రదాయ మెమరీ యాడ్-ఆన్లు ఒక డాక్యుమెంట్ను తిరిగి పొందుతాయి లేదా ప్రతిస్పందనలను వ్యక్తిగతీకరిస్తాయి. గతంలోని సమాచారం ప్రస్తుత చర్యను ప్రభావితం చేయడానికి ఎప్పుడు కీలకమైనదో అవి ఎప్పుడూ నిర్ణయించలేవు. దీని ఫలితంగా, దీర్ఘకాలిక స్వయంప్రతిపత్తి కలిగిన ఏజెంట్లు తప్పుదారి పడటం, తప్పులను పునరావృతం చేయడం లేదా సంభాషణ ప్రారంభంలో పేర్కొన్న కీలకమైన నిబంధనలను విస్మరించడం జరుగుతుంది.
ఎగ్జిక్యూషన్ను పర్యవేక్షణ నుండి వేరు చేయడం
Meta యొక్క పరిష్కారం ఒక plug-and-play ఆర్కిటెక్చర్, ఇది ఎగ్జిక్యూషన్ ఇంజిన్ను పర్యవేక్షక మెమరీ లేయర్తో వేరు చేస్తుంది.
- Action Agent – కమాండ్లను జారీ చేసే, టూల్స్ను పిలిచే మరియు అవుట్పుట్ను అందించే మార్పు చేయని లాంగ్వేజ్ మోడల్. ప్రయోగాలలో ఇది Claude Sonnet 4.5.
- Memory Agent – ఇటీవలి దశల యొక్క స్లైడింగ్ విండోను క్రమబద్ధంగా సమీక్షించే రెండవ మోడల్. ప్రయోగాలలో ఇది Claude Opus 4.6.
మెమరీ ఏజెంట్ మూడు భాగాల మెమరీ బ్యాంక్ను కలిగి ఉంటుంది:
- Private Status Field – ప్రోగ్రెస్ మరియు రిస్క్ గురించి అంతర్గత ఫ్లాగ్లు, వీటిని action agent చూడలేరు.
- Knowledge Memory – ఫైల్ పాత్లు, కాన్ఫిగరేషన్ విలువలు లేదా API ఎండ్పాయింట్లు వంటి స్థిరమైన వాస్తవాలు.
- Procedural Memory – ఏది పని చేసింది మరియు ఏది విఫలమైందో తెలిపే లాగ్, ఇందులో విఫలమైన కమాండ్లు మరియు వాటిని పరిష్కరించిన పద్ధతులు కూడా ఉంటాయి.
మొత్తం ట్రాన్స్క్రిప్ట్ను సారాంశం (summarize) చేయడానికి బదులుగా, మెమరీ ఏజెంట్ జోక్యం చేయాలో లేదో నిర్ణయిస్తుంది. ఒక కీలకమైన వివరం మర్చిపోయారని అది గుర్తిస్తే, అది సంక్షిప్త రిమైండర్ను అందిస్తుంది; లేకపోతే, అదనపు టోకెన్లు మరియు లాటెన్సీని నివారించడానికి అది మౌనంగా ఉంటుంది.
బెంచ్మార్క్లు ఈ విధానాన్ని నిరూపిస్తున్నాయి
Meta ఈ వ్యవస్థను రెండు పబ్లిక్ సూట్లపై పరీక్షించింది:
| Benchmark | Baseline success | Dual-agent success |
|---|---|---|
| Terminal-Bench 2.0 (command-line) | 38% | 46% |
| tau2-Bench (retail, airline, telecom) | 55% | 62% |
ఈ లాభాలు గమనించదగ్గవి, ఎందుకంటే రెండు వరుసలలో ఒకే action మోడల్ కనిపిస్తుంది; కేవలం మెమరీ లేయర్ మాత్రమే మారింది. కీవర్డ్ సెర్చ్పై ఆధారపడే విస్తృతంగా ఉపయోగించబడే ప్రొడక్షన్ మెమరీ లేయర్ అయిన Mem0తో పోలిస్తే, Meta విధానం మెరుగ్గా పనిచేసింది. ఒక సిమ్యులేటెడ్ ఎయిర్లైన్-బుకింగ్ సినారియోలో, వినియోగదారు తప్పుగా “Gold status” అని పేర్కొన్నారు. మెమరీ ఏజెంట్ ఆ తేడాను గుర్తించి, ఎయిర్లైన్ యొక్క API నుండి ధృవీకరించబడిన లాయల్టీ-స్టేటస్ చెక్ను నమ్మాలని action మోడల్కు గుర్తు చేసింది, తద్వారా లావాదేవీ సరిగ్గా పూర్తయింది.
పరిశ్రమ ఎందుకు దీనిపై దృష్టి సారించాలి
ఈ ఫలితం మరింత పెద్ద మోడళ్లపై ఆధారపడకుండా ఒక మార్గాన్ని సూచిస్తుంది. కాంటెక్స్ట్ మేనేజ్మెంట్ను ఒక తేలికపాటి పర్యవేక్షకుడికి (lightweight overseer) అప్పగించడం ద్వారా, డెవలపర్లు ప్రాథమిక మోడల్ యొక్క పారామీటర్ల సంఖ్యను పెంచకుండానే—సాఫ్ట్వేర్ డీబగ్గింగ్, సంక్లిష్టమైన కస్టమర్-సర్వీస్ ఫ్లోలు లేదా స్వయంప్రతిపత్తి కలిగిన డేటా పైప్లైన్ల వంటి అనేక దశల వరకు సాగే పనుల కోసం విశ్వసనీయతను మెరుగుపరచవచ్చు.
స్వయంప్రతిపత్తి కలిగిన ఏజెంట్లను నిర్మిస్తున్న కంపెనీల కోసం, ఈ ఆర్కిటెక్చర్ వీటిని అందిస్తుంది:
- Reduced error drift – విస్మరించబడిన నిబంధనల నుండి వ్యవస్థను ఇది చురుకుగా రక్షిస్తుంది.
- Token efficiency – జోక్యాలు ఎంపిక చేసిన విధంగా ఉంటాయి, కాబట్టి action మోడల్ తక్కువ అనవసరమైన టోకెన్లను ప్రాసెస్ చేస్తుంది.
- Modular upgrades – action కోర్ను మళ్ళీ శిక్షణ ఇవ్వకుండానే మెమరీ కోచ్ను కొత్త మోడల్తో మార్చుకోవచ్చు.
లాభనష్టాలు మరియు పెండింగ్లో ఉన్న ప్రశ్నలు
తదుపరి ఏమి గమనించాలి
Takeaway: ఒక ప్రత్యేకమైన మెమరీ కోచ్, ప్రాథమిక రీజనింగ్ మోడల్ను రీడిజైన్ చేయకుండానే, విజయ రేటులో డబుల్-డిజిట్ వృద్ధిని సాధించి, behavioral state decayను అరికట్టగలదు. దీని వల్ల సిస్టమ్ సంక్లిష్టత పెరుగుతుంది, కానీ దీని వల్ల కలిగే ప్రయోజనం—మరింత నమ్మదగిన స్వయంప్రతిపత్తి కలిగిన ఏజెంట్లు—అదనపు ఇంజనీరింగ్ ప్రయత్నానికి తగిన ఫలితాన్ని ఇస్తుంది.