Anthropic Explore la Mémoire IA avec des Techniques de Rêve et de Saillance

Anthropic a publié de nouvelles analyses sur la conception de systèmes de mémoire pour les agents IA, en se concentrant sur la manière dont ses modèles Claude retiennent et organisent les connaissances entre les sessions. La recherche, intitulée "Les composants de la mémoire de l'agent" et publiée le 2026-11-06, décrit des stratégies telles que "rêver" et le marquage de saillance pour améliorer la fonctionnalité de la mémoire.

Organisation de la Mémoire Inspirée par la Cognition Humaine

L'étude établit des parallèles entre les processus de mémoire humaine et les systèmes de mémoire IA. Chez les humains, l'hippocampe capture les expériences en temps réel, tandis que les périodes hors ligne, comme le sommeil, permettent au cerveau de consolider ces expériences en connaissances à long terme stockées dans le néocortex. De manière similaire, Anthropic utilise un processus de "rêve" pour Claude, où le modèle réfléchit sur les journaux de session pendant les périodes d'inactivité pour corriger les erreurs, créer des notes et réorganiser la mémoire en représentations liées telles que des wikis.

l'API Dreams d'Anthropic facilite ce processus en consommant les mémoires existantes et les transcriptions de session pour produire des sorties raffinées sans altérer les données originales. Ce travail asynchrone peut impliquer une à 100 transcriptions de session, permettant au modèle de consolider et de valider les informations efficacement.

Évaluation des Capacités de Mémoire de Claude

Anthropic a testé les systèmes de mémoire de Claude à l'aide de tâches provenant du Continual Learning Bench (CL-Bench) 1.0 et d'autres références. Dans une expérience, Claude avait pour tâche de répondre à des requêtes de base de données et d'écrire des notes de mémoire pour améliorer ses performances futures. Des modèles avancés comme Claude Opus 5 et Opus 5.5 ont démontré leur capacité à clore les boucles d'apprentissage en enregistrant des règles validées et en identifiant des pièges potentiels, surpassant ainsi des itérations antérieures telles que Sonnet 4.6 et Opus 4.7.

Lors d'une évaluation distincte, la capacité de Claude à jouer à Pokémon Red a été utilisée pour tester son jugement sur ce qu'il fallait enregistrer en mémoire. Des modèles tels que Sonnet 3.7 ont écrit des fichiers de mémoire détaillés mais excessifs, entraînant une inefficacité, tandis que Fable 5 a priorisé les informations saillantes, entraînant de meilleures performances. Fable 5 a remporté quatre insignes avec seulement neuf fichiers de mémoire, comparativement à l'insigne unique de Sonnet 3.7 et aux fichiers 413.

Impact du Rêve sur la Performance

Anthropic a également exploré l'impact des rêves sur la consolidation de la mémoire à travers une expérience de construction de wiki. En utilisant environ 350,000 documents internes, l'étude a montré qu'augmenter les sessions de rêve de deux à 128 améliorait les performances sur des critères notés de 13% à 48%. Dans un autre exemple, le rêve a corrigé une note de mémoire trompeuse lors d'une tâche de navigation dans le jeu, permettant à Claude de progresser là où d'autres configurations échouaient.

Principales Conclusions pour les Praticiens de l'IA

La recherche souligne que le stockage persistant à lui seul est insuffisant pour une mémoire IA efficace. Les systèmes de mémoire doivent inclure la vérification des preuves, la correction, l'organisation et la récupération sélective pour soutenir les performances à long terme des tâches. Les résultats d'Anthropic soulignent l'importance de concevoir des processus de mémoire qui équilibrent les exigences des tâches en temps réel avec l'utilité future, offrant des perspectives précieuses pour faire avancer les capacités de l'IA.