IBM detalla ALTK-Evolve, un método de memoria para agentes
El sistema recupera pautas específicas de cada tarea para reducir los tokens de inferencia frente a ACE.
Por qué importa
La comparación subraya que la forma de entregar memoria en tiempo de inferencia puede influir tanto en el costo como en el rendimiento de los agentes de AI. La recuperación selectiva podría ayudar a los sistemas agénticos a aprovechar experiencias pasadas sin pagar el costo de cargar un manual completo en cada paso.
Puntos clave
- 1.ALTK-Evolve y ACE aprenden lecciones reutilizables a partir de trayectorias de agentes.
- 2.IBM afirma que la entrega selectiva redujo los tokens por tarea frente a ACE en las pruebas de AppWorld.
- 3.La biblioteca ALTK-Evolve y el informe técnico están disponibles desde el artículo.
IBM Research publicó un artículo en Hugging Face que compara ALTK-Evolve con ACE, dos enfoques de memoria agéntica que convierten las trayectorias pasadas de un agente en lecciones reutilizables sin actualizar pesos ni usar etiquetas humanas. Según el artículo, ALTK-Evolve consolida esas lecciones en pautas que pueden recuperarse de forma individual, mientras que ACE utiliza un manual completo que se inyecta en cada paso. En las pruebas internas de IBM con AppWorld sobre 168 tareas, ALTK-Evolve igualó o superó las puntuaciones de ACE en finalización de tareas y escenarios, usando menos tokens por tarea en DeepSeek-V3.2 y gpt-oss-120b.
⚡ Pruébalo hoy
Evalúa la recuperación selectiva de pautas antes de añadir grandes prompts de memoria siempre activos a los flujos de trabajo de agentes.
Fuentes y cobertura original
Este resumen sintetiza y enlaza la cobertura de los medios siguientes.
¿Te gustó este resumen? Recibe el próximo en tu correo.
Más en Investigación
Una startup afirma que los datos son clave para avanzar contra el cáncer con IA
TechCrunch informa que la startup sostiene que la IA no está cerca de curar el cáncer sin mejores datos.
HarnessRisk evalúa fallos de seguridad en arneses de agentes
El benchmark prueba ataques en distintas fases de los arneses de agentes, mientras trabajos relacionados estudian el aprovisionamiento específico por tarea.
Agent Lightning v1.0 apunta al RL agéntico con harness
El framework conecta harnesses de agentes arbitrarios con el post-entrenamiento mediante aprendizaje por refuerzo.