आठ मॉडलों का एक अध्ययन दर्शाता है कि एजेंटिक मेमोरी कोई सर्वव्यापी सुविधा नहीं है, बल्कि एक खुराक है जिसे विशिष्ट मॉडल की क्षमता के अनुसार कैलिब्रेट किया जाना चाहिए। ALTK-Evolve फ्रेमवर्क एजेंट के पिछले ट्राजेक्टरीज़ से गाइडलाइन को सारांशित करता है और वजन अपडेट किए बिना इनफरेंस समय पर उन्हें इंजेक्ट करता है, यह दिखाते हुए कि इष्टतम मेमोरी रणनीतियाँ मॉडल स्तरों के बीच काफी भिन्न होती हैं।
- हेडरूम वाले मजबूत मॉडल्स को पूर्ण गाइडलाइन सेट से सबसे अधिक लाभ होता है, जैसा कि DeepSeek-V3.2 में +9.5pp कार्य पूरा होने में देखा गया।
- कमजोर मॉडल संकुलित कोर और प्रति-कार्य गाइडलाइन की चुनिंदा रीट्रीवल के साथ सबसे अच्छा प्रदर्शन करते हैं, जिससे gpt-oss-120b को केवल +5% टोकन लागत पर +16.1pp की वृद्धि मिलती है।
- संतृप्त मॉडलों में कोई मापनीय लाभ नहीं दिखा, जो सुझाव देता है कि वे परीक्षण किए गए कार्यों पर अपनी प्रदर्शन सीमा तक पहुँच चुके हैं।
- पूर्ण गाइडलाइन सेट इंजेक्ट करने की तुलना में चुनिंदा रीट्रीवल कमजोर मॉडलों के लिए उच्च सटीकता और कम लागत दोनों प्रदान करती है।
लेखकों का निष्कर्ष है कि मेमोरी को केवल जमा करने के बजाय कैलिब्रेट किया जाना चाहिए, क्योंकि एक एजेंट को उससे अधिक अनुभव देना जो वह उपयोग नहीं कर सकता, कोई लाभ नहीं देता। वे कमजोर मॉडलों के लिए संकुलित कोर और मजबूत मॉडलों के लिए प्रॉम्प्ट कैशिंग की सिफारिश करते हैं ताकि उत्पादन में लागत को नियंत्रित रखा जा सके।