LAMB to nowy framework przeznaczony dla agentów AI opartych na dużych modelach językowych, którzy muszą działać przez długie sekwencje decyzji, pamiętając o interakcjach i utrzymując otwarte kilka możliwych scenariuszy tego, co właśnie się stało w świecie. Problem polega na tym, że tradycyjne podejścia zapisują całą historię jako tekst, ale powtórne kompresowanie tej pamięci prowadzi do utraty ważnych informacji lub zbyt wcześnie odrzuca alternatywne wyjaśnienia.
Zamiast tego LAMB przechowuje pamięć w przestrzeni latentnej - ukrycie, poza dostępem człowieka do tekstowego formatu. Architektura dzieli się na dwie części: wspólny stan zawierający ogólne dowody z interakcji i osobne komponenty Delta reprezentujące konkurujące hipotezy o tym, co mogło się faktycznie zdarzyć. System trenuje się nie przez generowanie tekstu, ale przez przewidywanie skutków akcji i uczenie się na wzorach zachowań eksperta, co okazało się bardziej efektywne i kompaktowe.
W eksperymentach na czterech środowiskach symulacyjnych - ALFWorld, BabyAI, ScienceWorld i Crafter - LAMB zdecydowanie przewyższył poprzednią metodę o nazwie PABU. Na ALFWorld osiągnął 6 procent punktów lepszy wynik sukcesu w 30 krokach, w ScienceWorld poprawiła się efektywność o 22 procent punkty, a w Crafter agent robił znacznie szybszy postęp. Ponadto system zmniejszył liczbę bezsenownych powtarzanych akcji o prawie 18 procent punktów. Te wyniki sugerują, że latentne wielohipotezowe przekonania mogą być znacznie bardziej praktycznym rozwiązaniem dla długoterminowego podejmowania decyzji niż przechowywanie pełnej tekstowej historii.