Meta FAIR reportó que su método Self-Improving Memory alcanzó un promedio de 56,0 puntos en tres tareas, por encima de los 44,6 del mejor diseño de memoria escrito por humanos. La destilación de esas estrategias en los pesos del modelo también mejoró el resultado, aunque conservó solo parte de la ventaja.
***
- El método optimiza instrucciones para guardar y recuperar información; el mejor resultado promedio fue de 56,0 frente a 44,6 para el mejor diseño humano.
- La tarea de Codebase llegó a 64,3 puntos, una ventaja de 20,6 puntos sobre el mejor harness escrito a mano.
- Al destilar trayectorias optimizadas, el modelo obtuvo 43,1 puntos con prompts genéricos, frente a 37,6 con entrenamiento genérico.
🧠 Meta FAIR: su método de memoria supera diseños humanos
Self-Improving Memory logró 56 puntos de promedio en tres tareas, frente a 44,6 del mejor diseño manual.
En Codebase alcanzó 64,3, una ventaja de 20,6 puntos.
La destilación obtuvo 43,1 puntos. Las pruebas se limitaron… pic.twitter.com/XDAqYMZdqM
— Diario฿itcoin (@DiarioBitcoin) November 20, 2026
Meta FAIR desarrolla una memoria de IA que supera los diseños humanos en tres tareas
Meta FAIR presentó Self-Improving Memory, un método para que un agente de inteligencia artificial descubra cómo organizar su memoria y traslade parte de esas habilidades a sus propios pesos. En las pruebas reportadas, los prompts optimizados alcanzaron 56,0 puntos de promedio en tres tareas, frente a 44,6 del mejor diseño escrito por humanos, aunque una etapa posterior de destilación retuvo solo parte de esa ventaja.
Una memoria persistente para tareas que se encadenan
El sistema aborda un problema práctico de los agentes de IA: mantener información útil cuando resuelven una sucesión de subtareas, sin depender de que todo el historial siga dentro del contexto de cada interacción. En Self-Improving Memory, cada subtarea comienza con un contexto vacío y el único elemento que persiste es un directorio de archivos que el agente puede consultar y modificar.
Dos instrucciones organizan ese flujo. OFFLOAD le indica al agente cómo actualizar sus archivos al terminar una subtarea, mientras LOAD define qué información debe recuperar antes de empezar la siguiente; en las versiones genéricas, el modelo decide por sí mismo qué estrategia aplicar.
El planteamiento parte de que no hay una única receta manual que funcione igual de bien en todos los problemas. El estudio piloto citado por Meta FAIR encontró que ninguna de las estrategias escritas a mano dominaba todas las tareas, una limitación que motivó la búsqueda automática de instrucciones específicas para cada escenario.
El trabajo fue desarrollado por investigadores de Meta FAIR junto con colaboradores de la Universidad de Washington y la Universidad Johns Hopkins. Según el artículo de MarkTechPost sobre la investigación, la base es Kimi-K2.6, un modelo de mezcla de expertos con un billón de parámetros, 32.000 millones de parámetros activos y una ventana de contexto de 256.000 tokens.
Cómo el agente busca y evalúa mejores instrucciones
La primera etapa modifica los prompts LOAD y OFFLOAD mediante un meta agente. La búsqueda parte de cuatro semillas redactadas por personas, llamadas Summary, Retrieval, Skill e Hypothesis, y cada candidato se prueba en el flujo completo de tareas en cinco ejecuciones antes de compararlo con los demás.
En cada ronda, los cuatro diseños con mejor puntuación promedio pasan a ser padres de nuevas propuestas. Para revisarlos, el meta agente consulta las trayectorias generadas, los resultados obtenidos y el contenido final de los directorios de memoria, con el objetivo de ajustar las instrucciones a los errores y aciertos observados.
La selección incorpora además un conjunto de retención que el meta agente no puede ver. Esa separación busca reducir el riesgo de que las instrucciones se limiten a memorizar los ejemplos usados durante la búsqueda y permite medir su desempeño en casos reservados para evaluación.
Los prompts encontrados no se limitan a recomendar que el modelo resuma información. En Database, por ejemplo, una instrucción indica leer GUARDRAILS.md y luego SCHEMA.md antes de responder; en Codebase, el mejor diseño recurre a un archivo QUICKSTART, un registro de correcciones indexado y archivos separados para cada corrección.
Los resultados varían entre bases de datos, código y radio
La evaluación cubrió tres tareas de Continual Learning Bench: consultas SQL en Database, correcciones de repositorios en Codebase y análisis de escaneos de radio en Spectrum. Las subtareas de prueba incluían un cambio de fase diseñado, por lo que los resultados reflejan la capacidad de generalizar a nuevas instancias de esas mismas tareas, no una prueba de desempeño universal en cualquier dominio.
El harness optimizado obtuvo 53,8 puntos en Database, 64,3 en Codebase y 49,9 en Spectrum, para un promedio de 56,0. En comparación, el mejor harness humano alcanzó 47,9, 43,7 y 42,1, respectivamente, con un promedio de 44,6; los diseños optimizados superaron a esa referencia en las tres pruebas.
La diferencia más grande apareció en Codebase: 64,3 puntos frente a 43,7 para el mejor diseño manual, una mejora de 20,6 puntos. La búsqueda, sin embargo, no produjo avances en cada intento: 37 de las 44 revisiones propuestas no superaron al mejor resultado anterior, mientras Database y Spectrum alcanzaron su máximo en la primera generación y Codebase continuó mejorando hasta la cuarta.
Las demás referencias muestran por qué la memoria puede importar en tareas repetidas, pero también que una estrategia genérica no siempre basta. Sin memoria, el promedio fue 20,4 puntos; la compactación obtuvo 37,1 y el harness genérico 36,1, mientras el mejor diseño escrito por humanos llegó a 44,6 antes del resultado de 56,0 para el método optimizado.
| Método | Database | Codebase | Spectrum | Promedio |
|---|---|---|---|---|
| Sin memoria | 7,5 | 31,8 | 21,9 | 20,4 |
| Compactación | 39,8 | 36,9 | 34,6 | 37,1 |
| Harness genérico | 32,3 | 33,5 | 42,5 | 36,1 |
| Mejor diseño humano | 47,9 | 43,7 | 42,1 | 44,6 |
| Harness optimizado | 53,8 | 64,3 | 49,9 | 56,0 |
| SFT con trayectorias genéricas | 31,6 | 37,5 | 43,6 | 37,6 |
| SFT con trayectorias optimizadas y prompts genéricos | 37,7 | 45,1 | 46,5 | 43,1 |
La destilación traslada parte de la estrategia a los pesos
La segunda etapa busca que el modelo conserve las habilidades aprendidas incluso cuando ya no recibe los prompts de memoria optimizados. El equipo siguió un proceso de descubrir, demostrar y destilar: primero ejecutó subtareas de entrenamiento con las instrucciones optimizadas y registró cada llamada al modelo.
Después, sustituyó los prompts optimizados por instrucciones genéricas en esas trayectorias registradas. El comportamiento útil queda así representado en las acciones y respuestas que el modelo ya produjo, como mantener QUICKSTART.md, REGISTRY.md y SCHEMA.md o verificar las claves de unión antes de una agregación.
El ajuste fino supervisado se realizó con LoRA de rango 64 aplicado a las proyecciones de atención. La función de pérdida consideró únicamente los tokens del asistente, incluido el razonamiento y las llamadas a herramientas, y dio el mismo peso a cada tarea; el meta agente y el agente de tareas eran el mismo modelo Kimi-K2.6.
Con prompts genéricos durante la evaluación, el modelo entrenado con trayectorias optimizadas promedió 43,1 puntos en diez semillas emparejadas, frente a 37,6 para el ajuste con trayectorias genéricas. La diferencia es de 5,5 puntos, o 14,6%, pero el resultado destilado sigue por debajo de los 56,0 alcanzados al usar directamente el harness optimizado.
Alcance, límites y comparación con otros métodos
La investigación contrasta su enfoque con ALMA, MemEvolve y Harness-Zero, aunque sus resultados principales no son comparables de forma directa porque cada sistema utiliza benchmarks distintos. ALMA busca diseños de memoria escritos como código Python y reporta 53,9% frente a 41,1% sin memoria con GPT-5-mini; MemEvolve busca arquitectura y contenido de memoria, y reporta ganancias de hasta 17,06%.
Harness-Zero es el método más cercano en el enfoque de optimizar el harness completo de un agente y entrenar un modelo estudiante. El trabajo citado reporta que el estudiante Qwen3.5-9B sube de 23,3% a 44,3% en sus benchmarks; a diferencia de Self-Improving Memory, Harness-Zero utiliza un agente separado para corregir al estudiante.
También difieren sus equipos y configuraciones: ALMA se atribuye a Xiong, Hu y Clune; MemEvolve, a OPPO AI Agent Team y LV-NUS; y Harness-Zero, a investigadores de la Universidad de Pekín, Google y HKUST. El reporte señala GPT-5 como meta agente de ALMA y GPT-5-mini como agente de tareas, mientras MemEvolve usa GPT-5-mini y menciona también DeepSeek V3.2 y Kimi K2; Harness-Zero entrena con SFT LoRA y Self-Improving Memory emplea el mismo Kimi-K2.6 como agente y meta agente.
En cuanto a reproducibilidad y despliegue, el código de Self-Improving Memory no se ha publicado, mientras que los otros tres métodos citados cuentan con repositorios públicos. El hardware utilizado para entrenar Kimi-K2.6 no fue revelado; el artículo indica que servir el modelo requiere un nodo con varias GPU, menciona una recomendación de Vast.ai de ocho H200 y señala que existen pesos INT4 nativos.
Meta FAIR presentó los resultados en una publicación de investigación sobre Self-Improving Memory. El avance apunta a una posible vía para que los agentes administren mejor la información persistente, pero las pruebas se restringen a tres tareas y la búsqueda registró numerosos intentos fallidos, de modo que los resultados no demuestran por sí solos una mejora general para cualquier agente o problema.
Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
IA
PostgreSQL 19 llega con mejoras de rendimiento y cambios para la gestión de datos
Empresas
Nvidia investiga una posible brecha tras amenaza de filtración de datos
Estados Unidos
Empleadores desconfían de los currículums hechos con IA, pero la mitad ya entrevista con esta tecnología
California
