2026. július 1., szerda · Kutatás

Memora: a Microsoft új memóriarendszere akár 98%-kal kevesebb kontextus-tokennel dolgozik AI-ágenseknél

A Microsoft Research bemutatott egy Memora nevű skálázható memóriarendszert, amely az AI-ágensek hosszú távú feladatkezelését célozza. A rendszer a tárolt gazdag memóriatartalmat elválasztja a könnyűsúlyú absztrakciókra és kulcsingerekre épülő keresési mechanizmustól, így az absztrakció és a specifikusság között egyensúlyt teremt. A Microsoft Research szerint a Memora új csúcseredményt ér el a LoCoMo és LongMemEval benchmarkokon, felülmúlva a Mem0-t, a RAG-ot és a teljes kontextusú inferenciát, miközben akár 98%-kal kevesebb kontextus-tokent használ. A tanulmányt az ICML 2026 konferencián publikálják, kódja nyílt forráskódúként elérhető a GitHubon. A fejlesztés a hónapokig tartó projekteken dolgozó AI-asszisztensek számára lehet kulcsfontosságú, ahol az eddigi megoldások vagy túl töredékes, vagy túlságosan elnagyolt módon kezelték a korábbi interakciókat.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A hatékony hosszú távú memóriakezelés az AI-ágensek gyakorlati alkalmazhatóságának egyik fő szűk keresztmetszete, amelyet a Memora jelentősen csökkenthet.

Források

Microsoft Research Kutatás

Kapcsolódó témák

Napi összefoglalók AI kutatás #Microsoft Research#AI-memória

Napi összefoglaló

Ez a hír a 2026. július 1., szerda napi AI összefoglaló része.

Kapcsolódó hírek

Microsoft Research: diákszimulátorral finomítanák az AI-oktatókat

A Microsoft Research bemutatta a StudentSim nevű kutatási rendszert, amely a vállalat szerint nyilvánosan elérhető, anonimizált tanulói adatokból személyre szabott AI-diákszimulátorokat épít, egyet-egyet minden egyes tanulóhoz igazítva. A cél az, hogy az AI-oktatórendszerek fejlesztői gyorsan és olcsón kapjanak visszajelzést arról, hogyan reagálnak a diákok egy-egy tanácsra, és javul-e a megértésük, anélkül, hogy minden iterációhoz valódi tanulói kísérletre lenne szükség. A rendszert a StudentSimEval nevű benchmarkon tesztelték sakk, angol mint idegen nyelv írásos feladatai és matematika területén, és a Microsoft állítása szerint felülmúlta a vezető alapmodelleket abban, hogy mennyire hitelesen utánozza egy adott diák válaszait és azok változását a tanári útmutatás után. A cég hangsúlyozza, hogy a StudentSim kutatási eszköz, nem éles termék, nem használják tantermekben, és nem helyettesíti a tanárokat.

Microsoft bemutatta a Quine nevű AI-rendszert a biológiai kutatáshoz

A Microsoft Research bejelentése szerint elkészült a Quine nevű kutatási rendszer, amely egy többmodalitású „világmodellt” épít a biológiáról, és összeköti a modelleket, tudományos eszközöket, szakirodalmat és kutatókat egyetlen interaktív keretben. A vállalat állítása szerint a Broad Institute (Harvard–MIT) kutatóival együttműködve a rendszert olyan vegyületek rangsorolására használták, amelyek daganatsejtek állapotát terápiásan kedvező irányba tolhatják el, és a legjobbra rangsorolt jelöltek egy részét több laboratóriumi kísérletben validálták. A Microsoft saját közlése szerint a Quine kifejezetten kísérleti, kutatási célú technológia, klinikai vagy orvosi felhasználásra nem alkalmas, kimenetei hiányosak vagy pontatlanok lehetnek, és szakértői ellenőrzést igényelnek. A cég emellett egy „Quine Fellows” programot is indít, amelyben kutatók kaphatnak hozzáférést a rendszerhez, hosszabb távon pedig a technológiát a Microsoft Discovery termékcsaládba tervezik integrálni.

Kutatás: a nagyobb AI-modellek jobban megbíznak az elavult memóriában, ha az frissnek látszik

Egy még nem lektorált arXiv-preprint azt vizsgálta, mi történik, ha egy tartós memóriával rendelkező AI-ügynök tárolt, elavult adata ütközik egy friss forrással, egy zárt, rögzített teszteljárás két részfeladatán. A Qwen3 modellcsalád 0,6–8 milliárd paraméteres verzióin azt találták, hogy a „Benefit” tesztsorban, ahol csak a memória segít a válaszhoz, minden méretnél 0,92–1,00 arányban a régi, tárolt értéket adták vissza. A „Safety” tesztsorban, ahol egy megbízható eszköz mindig a helyes, friss értéket kínálta, a kár mértéke a modell méretétől függött: a nagyobb modellek teljesítménye esett vissza a legerősebben, amikor az elavult bejegyzést frissnek álcázták. A szerzők ezt nem zavarodottságnak, hanem túlzott bizalomnak nevezik, és megjegyzik, hogy a metaadatok megjelenítése csak a képesebb modelleknél javít, a kisebbeknél csak az ütközés előzetes feloldása segít.

Microsoft hatékonyabb kórszövettani AI-modelleket mutatott be

A Microsoft Research bemutatta a GigaPath-Flash és GigaTIME-Flash nevű kórszövettani alapmodelleket, amelyek a korábbi GigaPath és GigaTIME desztillált, gyorsított változatai. A vállalat állítása szerint a lepárolt modell jelentősen csökkenti a számítási igényt anélkül, hogy a teljesítmény romlana, így nagyobb beteg-kohorszokon lehet ismételt elemzéseket futtatni. A modellek nyílt kutatási eszközök, céljuk a betegségbiológia, biomarkerek és klinikai kimenetek vizsgálata rákos adathalmazokon populációs szinten. A Microsoft hangsúlyozza, hogy ezek kutatási célú modellek, klinikai használatra – diagnózisra, prognózisra vagy kezelésválasztásra – nincsenek validálva. Az eredmények egy vállalati blogbejegyzésben szerepelnek, nem lektorált tudományos publikációban, így független szakmai bírálaton még nem mentek keresztül.