Anthropic Изучает Память ИИ с Помощью Техник Мечты и Значимости

Компания Anthropic опубликовала новые взгляды на проектирование систем памяти для агентов ИИ, сосредоточившись на том, как модели Claude сохраняют и организуют знания между сессиями. Исследование, озаглавленное "Компоненты памяти агента" и выпущенное 2026-11-06, описывает стратегии, такие как "мечтание" и маркировка значимости, для повышения функциональности памяти.

Организация Памяти, Вдохновленная Человеческим Познанием

Исследование проводит параллели между процессами человеческой памяти и системами памяти ИИ. У людей гиппокамп захватывает опыт в реальном времени, в то время как оффлайн-периоды, такие как сон, позволяют мозгу консолидировать этот опыт в долгосрочные знания, хранящиеся в неокортексе. Аналогичным образом Anthropic использует процесс "мечтания" для Claude, где модель отражает записи сессии в периоды бездействия, чтобы исправить ошибки, создать заметки и реорганизовать память в связанные представления, такие как вики.

API мечты от Anthropic упрощает этот процесс, используя существующие хранилища памяти и транскрипты сессий для получения уточнённых выводов без изменения исходных данных. Эта асинхронная задача может включать от одной до 100 транскриптов сессий, позволяя модели эффективно консолидировать и проверять информацию.

Оценка Способностей Памяти Claude

Anthropic протестировала системы памяти Claude с использованием задач из Continual Learning Bench (CL-Bench) 1.0 и других бенчмарков. В одном эксперименте Claude было поручено отвечать на запросы к базе данных и писать заметки о памяти, чтобы улучшить будущее выполнение. Продвинутые модели, такие как Claude Opus 5 и Opus 5.5, продемонстрировали способность закрывать циклы обучения, фиксируя проверенные правила и выявляя потенциальные ловушки, превзойдя более ранние итерации, такие как Sonnet 4.6 и Opus 4.7.

В другом тесте способность Claude играть в Pokémon Red использовалась для проверки его суждения о том, что следует сохранить в памяти. Модели, такие как Sonnet 3.7, писали детализированные, но чрезмерные файлы памяти, что приводило к неэффективности, в то время как Fable 5 приоритизировала значимую информацию, что привело к лучшим результатам. Fable 5 заработала четыре значка всего с девятью файлами памяти, в отличие от Sonnet 3.7 с одним значком и 413 файлами.

Влияние Мечтания на Производительность

Также Anthropic исследовала влияние мечтания на консолидацию памяти через эксперимент по созданию вики. Используя примерно 350,000 внутренних документов, исследование показало, что увеличение сессий мечтания с двух до 128 улучшило производительность по оценочным критериям с 13% до 48%. В другом примере мечтание исправило вводящую в заблуждение запись памяти во время задачи навигации игры, позволив Claude продвигаться там, где другие конфигурации потерпели неудачу.

Ключевые Выводы для Профессионалов ИИ

Исследование подчеркивает, что просто постоянное хранение данных недостаточно для эффективной памяти ИИ. Системы памяти должны включать проверку фактов, исправление, организацию и выборочное извлечение, чтобы поддерживать долгосрочную производительность по задачам. Находки Anthropic подчеркивают важность разработки процессов памяти, которые уравновешивают требования реального времени с будущей полезностью, предлагая ценные идеи для продвижения возможностей ИИ.