Zespół badawczy przedstawił SLICE-Mem, framework pamięci przeznaczony dla agentów opartych na modelach językowych, który radykalnie obniża koszty obliczeniowe związane z zarządzaniem długoterminową pamięcią. Zamiast wywoływać drogi generacyjny model AI dla każdej decyzji dotyczącej przechowywania, ekstrakcji i organizacji danych, system opiera się na kompaktnym klasyfikatorze i ekstraktorze informacji opartym na zależnościach semantycznych.
Tradycyjne podejścia do pamięci agentów AI, takie jak MemOS, wielokrotnie korzystają z pełnych modeli LLM, co generuje znaczne opóźnienia i koszty. SLICE-Mem rozwiązuje ten problem dzieląc proces na etap online, który w ogóle nie wymaga wywołań modelu generacyjnego, oraz etap offline do konsolidacji danych. Kompaktny klasyfikator identyfikuje interakcje użytkownika warte zapamiętania, a następnie semantyczny ekstraktor konwertuje je na zwięzłe wpisy pamięci.
Ewaluacja na benchmarkach Memora Weekly i LongMemEval-S wykazała, że SLICE-Mem uzyskuje niemal identyczne wyniki jak MemOS z modelami Qwen 8B i 30B - 46.60 versus 46.68 FAMA na Memora i 56.8 procent versus 59.3 procent na LongMemEval-S - przy jednoczesnym zmniejszeniu zużycia tokenów LLM o 92.4 procent i 99.5 procent. To osiągnięcie sugeruje, że wydajne schematy wyboru informacji mogą zastąpić kosztowne generacyjne podejścia do konstruowania pamięci bez istotnej utraty jakości.