MIRIX-2.0 : Le Système de Mémoire Multi-Agent Atteint une Précision de Benchmark de Premier Plan
Un nouvel article de recherche sur l'IA, MIRIX-2.0 : Système de Mémoire Multi-Agent, publié le 2026-11-17 , introduit un système de mémoire avancé pour les agents de modèle de langage large (LLM). Développé par Wei-Chieh Huang, Weizhi Zhang, Jiayan Nan, Peng Xia, et Yu Wang, le système démontre des améliorations significatives en précision et en efficacité à travers plusieurs benchmarks sans nécessiter d'affinage. L'implémentation open-source est disponible sur GitHub.
Une Révolution dans la Mémoire à Long Terme pour les Agents LLM
MIRIX-2.0 s'attaque à des défis critiques dans la mémoire à long terme pour les agents LLM, y compris le besoin de personnalisation, de cohérence et de réutilisation efficace de l'information. Les systèmes de mémoire paramétrique traditionnels nécessitent souvent un entraînement et risquent de perdre des détails lors de la consolidation, tandis que la conservation de chaque enregistrement peut entraîner des inefficacités dans les processus de recherche. MIRIX-2.0 surmonte ces limitations avec une architecture de mémoire multi-agent intégrant six composants de mémoire spécialisés : Cœur, Épisodique, Sémantique, Procédural, Ressource, et Cognothèque.
Performance de Premier Rang
Le système a obtenu des résultats de premier plan sur quatre des cinq benchmarks QA. Les points forts incluent :
- Précision de 91.4% sur le benchmark LoCoMo, surpassant le meilleur baseline de 14.3 points de pourcentage.
- Précision de 72.6% sur LongMemEval-S, également en tête par 14.3 points.
- Gains significatifs par rapport à HyperMem sur les tâches de QA documentaires, avec des améliorations de 31.0 points pour le QA à saut unique et de 22.0 points pour le QA multi-saut lorsque AutoDream était désactivé.
Dans les tâches de mémoire procédurale, MIRIX-2.0 a atteint les taux de succès moyens les plus élevés parmi les systèmes comparés. Il a enregistré un taux de succès de 49.2% sur MetaClaw-Bench, surpassant la bibliothèque de compétences de MetaClaw, qui a obtenu 44.0% .
Innovations Techniques
Le système utilise un hypergraphe de provenance pour indexer les enregistrements épisodiques et sémantiques en utilisant des cadres n-aires, garantissant une récupération efficace dans des budgets de ressources explicites. Ce design empêche la base de preuves de croître de manière incontrôlable avec l'histoire. De plus, la fonctionnalité AutoDream consolide les ancres dupliquées en dehors du chemin d'écriture et distille les sessions de tâches en compétences réutilisables, améliorant à la fois la rapidité et l'efficacité.
MIRIX-2.0 fonctionne de manière transparante avec des modèles fermés et ouverts, ne nécessite pas d'affinage, et prend en charge des entrées multimodales telles que le texte, les images, la voix, et les captures d'écran. Sa recherche en texte intégral native PostgreSQL BM25 et la mémoire graphique optionnelle basée sur Neo4j améliorent encore ses capacités de recherche avancées.
Disponibilité Open-Source
Le système MIRIX-2.0 est disponible en tant que projet open-source sur GitHub, permettant aux développeurs d'explorer ses fonctionnalités et de les intégrer dans leurs applications. Le design axé sur la vie privée garantit que toutes les données à long terme restent stockées localement, avec des paramètres de confidentialité contrôlés par l'utilisateur.
Cette avancée dans les systèmes de mémoire pour les agents LLM a le potentiel de redéfinir la façon dont les modèles d'IA gèrent la mémoire à long terme, la personnalisation, et les tâches procédurales, ouvrant la voie à des applications IA plus intelligentes et efficaces.