Naukowcy zaproponowali MESA - framework do zadania-adaptacyjnego wyboru struktur pamięci dla agentów AI, którzy muszą pracować z długimi historyjami zawierającymi setki kroków rozumowania, akcji i obserwacji. Problem polega na tym, że odpowiedź na pytanie może zależeć od informacji zagrzebanych daleko wstecz w historii, a istniejące systemy muszą wybierać między dwoma nieidealnymi podejściami: czytać wszystkie struktury pamięci (co zwiększa szum i kontekst) albo kierować każde pytanie tylko do jednej struktury (co uniemożliwia łączenie komplementarnych informacji).
Badania na benchmarku AMA-Bench wykazały, że optymalna konfiguracja pamięci to zazwyczaj dostosowany wybór podzbioru struktur, który zmienia się w zależności od pytania i wymagań zadania. MESA buduje pięć komplementarnych widoków każdej trajektorii i używa end-to-end feedback na poziomie odpowiedzi, aby nauczyć się, które struktury wybrać i jak je połączyć dla konkretnego pytania. Framework zatrzymuje model odpowiadający i uczy się poprzez słabe nadzorowanie, wykorzystując optymalizację typu harness z wyszukiwaniem kierowanym priorem i planowaniem UCB.
Na benchmarku AMA-Bench MESA osiągnęła lepsze wyniki niż dotychczasowe najlepsze podejścia, co sugeruje znaczny postęp w zdolności agentów AI do efektywnego wykorzystywania strukturyzowanej pamięci przy długoterminowych zadaniach wymagających dostępu do historycznych informacji.