माइक्रोसॉफ्ट रिसर्च ने EvoLib पेश किया है, एक फ्रेमवर्क जो बड़े भाषा मॉडलों को इनफरेंस के दौरान अपनी ही अनुभव से सीखने की सुविधा देता है, बिना ग्राउंड-ट्रुथ लेबल या बाहरी प्रतिक्रिया की आवश्यकता के। EvoLib कच्चे अनुभवों को स्थिर स्मृतियों के रूप में संग्रहीत करने के बजाय, उन्हें पुनः उपयोग योग्य कौशल और प्रतिबिंबी अंतर्दृष्टि में बदल देता है जो लगातार परिष्कृत, संघनित और पुनर्वजनित किए जाते हैं।
- संघनन नए ज्ञान को समान मौजूदा प्रविष्टियों के साथ मिलाकर अधिक सामान्य और पुनः उपयोग योग्य इकाइयाँ बनाता है।
- एक गतिशील वजन तंत्र अपने तत्काल उपयोगिता और भविष्य की कार्यों पर दीर्घकालिक प्रभाव के आधार पर प्रत्येक ज्ञान इकाई के महत्व को अपडेट करता है।
- सिस्टम किसी भी एपीआई-आधारित भाषा मॉडल पर लागू होने वाला ब्लैक-बॉक्स समाधान के रूप में काम करता है, बिना मॉडल अपडेट की आवश्यकता के।
EvoLib गणितीय तर्क, कोड जनरेशन और लंबी अवधि के निर्णय लेने वाले कार्यों में शीर्ष पुनर्प्राप्ति-आधारित स्मृति दृष्टिकोणों की तुलना में लगातार बेहतर प्रदर्शन करता है। यह मौजूदा विधियों की तुलना में टेस्ट-टाइम कंप्यूट को प्रदर्शन लाभ में अधिक कुशलता से परिवर्तित करता है और विषम कार्यों के सामने आने के क्रम से स्वतंत्र रूप से स्थिर प्रदर्शन बनाए रखता है।