Noticias
MIRIX-2.0: Un sistema de memoria para múltiples agentes que alcanza una precisión líder en pruebas de referencia**
MIRIX-2.0, un sistema de memoria para múltiples agentes, establece nuevos estándares en pruebas de calidad (QA) y pruebas de procedimiento, gracias a su alta precisión y eficiencia, como se detalla en un nuevo artículo de IA.
En este artículo**
Un nuevo artículo de investigación en IA, **MIRIX-2.0: Sistema de memoria para múltiples agentes**, publicado el 17 de noviembre de 2026, presenta un sistema de memoria avanzado para agentes de modelos de lenguaje grande (LLM). Desarrollado por Wei-Chieh Huang, Weizhi Zhang, Jiayan Nan, Peng Xia y Yu Wang, este sistema demuestra mejoras significativas en precisión y eficiencia en múltiples pruebas de referencia, sin necesidad de ajustes finos. La implementación de código abierto está disponible en GitHub.
Avance en el almacenamiento a largo plazo de información para agentes de LLM**
MIRIX-2.0 resuelve desafíos críticos en el almacenamiento a largo plazo de información para agentes de LLM, como la necesidad de personalización, consistencia y reutilización eficiente de datos. Los sistemas de memoria paramétricos tradicionales suelen requerir entrenamiento y pueden perder detalles durante el proceso de consolidación; además, mantener todos los registros puede reducir la eficiencia de los procesos de búsqueda.MIRIX-2.0 supera estas limitaciones gracias a una arquitectura de memoria basada en múltiples agentes que integra seis componentes de memoria especializados: Núcleo (Core), Episódico (Episodic), Semántico (Semantic), Procedural (Procedural), de Recursos (Resource) y de Conocimiento (Knowledge Vault). El sistema obtuvo resultados destacados en cuatro de los cinco benchmarks de calidad de respuesta (QA, por sus siglas en inglés). Entre los puntos más importantes se encuentran: - Un 91,4% de precisión en el benchmark LoCoMo, superando en 14,3 puntos al mejor resultado de referencia. - Un 72,6% de precisión en el benchmark LongMemEval-S, también liderando la clasificación con una ventaja de 14,3 puntos. - Mejoras significativas en tareas de calidad de respuesta relacionadas con documentos en comparación con HyperMem: un 31,0% más de precisión en casos de un solo salto (single-hop) y un 22,0% más en casos de múltiples saltos (multi-hop) cuando la función AutoDream estaba desactivada. - En tareas de memoria procedural, MIRIX-2.0 logró las tasas de éxito más altas entre los sistemas comparados, alcanzando un 49,2% en el benchmark MetaClaw-Bench, superando así a la biblioteca de habilidades de MetaClaw, que obtuvo un 44,0%. En cuanto a las innovaciones técnicas, el sistema utiliza un hipergrafo de procedencia (provenance hypergraph) para indexar registros episódicos y semánticos mediante estructuras de tipo n-ario (n-ary frames), lo que asegura una recuperación de datos eficiente dentro de presupuestos de recursos específicos. Además, la función AutoDream consolida los datos duplicados fuera de la ruta de escritura y transforma las sesiones de trabajo en habilidades reutilizables, mejorando así la velocidad y la eficiencia del sistema. MIRIX-2.0 funciona sin problemas tanto con modelos cerrados como abiertos, no requiere ajustes finos (fine-tuning) y soporta entradas de varios tipos (texto, imágenes, voz y capturas de pantalla).Su búsqueda de texto completo BM25, nativa de PostgreSQL, y la memoria gráfica opcional basada en Neo4j mejoran aún más sus avanzadas capacidades de búsqueda. El sistema MIRIX-2.0 está disponible como proyecto de código abierto en GitHub, lo que permite a los desarrolladores explorar sus funciones e integrarlas en sus aplicaciones. El diseño que da prioridad a la privacidad asegura que todos los datos a largo plazo se almacenen localmente, con configuraciones de privacidad controladas por el usuario. Este avance en los sistemas de memoria para agentes LLM tiene el potencial de redefinir la forma en que los modelos de IA gestionan la memoria a largo plazo, la personalización y las tareas procedimentales, allanando el camino para aplicaciones de IA más inteligentes y eficientes. Para guardar este artículo, inicie sesión. Cuenta gratuita: cree su colección de investigación y vuelva a leerla en cualquier momento.
TAG42@@Disponibilidad como código abiertoTAG44@@ TAG46@@```





