Reglos حافظهٔ شخصی عامل‌های هوش مصنوعی را با ارزیابی تغییرات بهبود می‌دهد

پژوهشگران در پیش‌چاپی با نام Reglos یک عامل حافظهٔ شخصی معرفی کرده‌اند که از گفت‌وگوهای گذشته برای پاسخ‌گویی متناسب با هر کاربر استفاده می‌کند. سامانه برای هر کاربر سابقه‌ای افزایشی نگه می‌دارد؛ ترجیحات تازه می‌توانند جای ترجیحات قدیمی را بگیرند و بعضی واقعیت‌ها نیز فراموش شوند.

بخش دیگر Reglos، سازوکاری برای بازبینی روشی است که حافظه را به زمینهٔ ورودی مدل تبدیل می‌کند. یک عامل کدنویس بر پایهٔ ردپای خطاها تغییراتی پیشنهاد می‌دهد و منتقدی متکی بر خانوادهٔ مدل دیگری آن‌ها را از نظر دست‌کاری معیارهای بنچمارک بررسی می‌کند. پس از ثابت‌شدن این سازوکار، ارزیاب ثابتی دربارهٔ پذیرش تغییرات بعدی تصمیم می‌گیرد. هدف، سنجیدن این است که اصلاح‌ها فراتر از همان خطاهایی که برای رفعشان نوشته شده‌اند نیز مفید باشند.

طبق چکیدهٔ مقاله، Reglos بدون آموزش مدل، با یک مدل پایهٔ یکسان برای همهٔ سامانه‌های مقایسه‌شده، از Mem0، MemOS و EverOS در دو بنچمارک بهتر عمل کرده است. با Qwen3.8-27B، امتیاز آن در PersonaMem-v2 برابر ۶۱٫۳ درصد و در LongMemEval-S برابر ۸۴ درصد بود؛ با GPT-5.6 Luna این ارقام به‌ترتیب ۵۷٫۵ و ۸۷٫۲ درصد گزارش شده‌اند. این پژوهش در arXiv منتشر شده و در مرحلهٔ پیش‌چاپ است.