החוקרים הציעו זיכרון למזכר LLM: הוא קורא את כל מסד הנתונים של מסמכים ומאגד את הבקשה הרצויה ב-16 וקטורים. המסמכים מקודדים פעם אחת על ידי Qwen3-Embedding-4B, ומאמן 194 מיליון דומטר מזין 16 וקטורים אלה ישירות לתוך סמלי קלט Qwen3-8B. על פי המדידות של המחברים, השיטה מובילה 5 מדדים מתוך 8 בין הגרסאות של RAG, Mem0, MemoRAG והקשר מלא. ב- FactKG, הדיוק הוא 84.33% לעומת 80.43% בהקשר מלא תוך צמצום חלק המסמך מהקלט ב-108 פעמים. אבל ב-PubMedQA Memorilla 59% נגד 67-69% עבור השיטות הטובות ביותר, ועל נרטיבQA (ROUGE) ו- PersonalizationV4 לפני MmoRAG. המודול היה מאומנים גם על חלקי הכשרה של אותם 8 מדדים, ופרטים קטנים במהלך דחיסה, על פי המחברים, ניתן לאבד. כמו כן, אתה צריך גישה להטמעת הקלט של המודל, אז לא להשתמש בשיטת API הרגילה של הטקסט. ערוץ @neuro