Microsoft Research ha presentado EvoLib, un marco que permite a los modelos de lenguaje grandes aprender de su propia experiencia durante la inferencia sin necesidad de etiquetas de verdad fundamental ni retroalimentación externa. En lugar de almacenar experiencias crudas como memorias estáticas, EvoLib las transforma en habilidades reutilizables e insights reflexivos que se refinan, consolidan y reponderan continuamente.

  • La consolidación fusiona nuevos conocimientos con entradas existentes similares para crear unidades más generales y reutilizables.
  • Un mecanismo de ponderación dinámica actualiza la importancia de cada unidad de conocimiento basándose en su utilidad inmediata e impacto a largo plazo en tareas futuras.
  • El sistema opera como una solución de caja negra aplicable a cualquier modelo de lenguaje desplegado mediante API sin requerir actualizaciones del modelo.

EvoLib supera consistentemente los enfoques de memoria basados en recuperación más destacados en tareas de razonamiento matemático, generación de código y toma de decisiones a largo plazo. Convierte el cómputo en tiempo de prueba en ganancias de rendimiento de manera más eficiente que los métodos existentes y mantiene un rendimiento estable independientemente del orden en que se encuentren las tareas heterogéneas.