MemT 1.0 embute a memória no modelo e mira o autoaperfeiçoamento da IA

Foi lançado o MemT 1.0, versão que os autores apresentam como um passo em direção ao autoaperfeiçoamento recursivo. Nela, a memória deve ser uma capacidade interna do modelo, e não um banco de dados acoplado ao lado. O ponto de partida da discussão foi um post com mais de mil compartilhamentos. Nele, um assistente de IA reescreveu a si mesmo em uma única noite e bateu no limite de contexto.

A história que deu início a tudo

Segundo o Jiqizhixin, na semana passada circulou na comunidade chinesa o relato de um usuário. Ele havia montado por conta própria um assistente de IA com DeepSeek. Na atualização da plataforma, as sessões antigas só podiam ser arquivadas, sem migração. Então ele pediu ao próprio assistente que descobrisse como se mudar para a nova versão.

O DeepSeek trabalhou a noite inteira, escreveu a nova versão e, no fim, avisou que o contexto tinha acabado. A nova build, porém, subiu sem falhas: escrevia textos, desenhava e mantinha conversas. Durante os testes, ela fez de repente uma pergunta que, no trecho disponível, é interrompida na palavra “Então…”. O que exatamente ela perguntou não dá para saber a partir do fragmento. Mas o enredo é claro: o agente cumpriu a tarefa, mas perdeu o contexto em que a resolveu.

O episódio ilustra bem o ponto fraco dos assistentes atuais. Uma janela de contexto longa não substitui a memória. Ela se esgota, e com ela termina também o entendimento acumulado sobre a tarefa.

O que se sabe sobre o MemT 1.0

O trecho disponível não traz uma descrição completa do lançamento. O título e a introdução permitem concluir pouco:

• Nome e versão: MemT 1.0.
• Ideia declarada: a memória como capacidade endógena, ou seja, interna, do modelo.
• Direção declarada: autoaperfeiçoamento recursivo.
• Não divulgados: arquitetura, tamanho do modelo, benchmarks, licença, prazos de disponibilidade.

Por ora, é uma declaração de abordagem, e não um resultado verificável. Sem números sobre contexto longo e retenção de fatos, não dá para avaliar a proposta.

Por que a memória dentro do modelo importa para o autoaperfeiçoamento

Hoje, a maioria dos agentes tem memória externa: bancos vetoriais, anotações em arquivos, resumos de conversa. Isso funciona, mas o modelo precisa decidir de novo, a cada vez, o que buscar e como interpretar o que encontrou. Um erro de busca vira um erro de raciocínio. O resumo comprimido perde detalhes, e eles não voltam.

Se a memória está embutida no próprio modelo, por exemplo por meio de estados treináveis ou de atualização de pesos durante o uso, o agente acumula experiência sem reinicialização e sem migração manual. Para o autoaperfeiçoamento recursivo, essa é uma condição necessária. Um sistema que reescreve o próprio código ou os próprios prompts precisa lembrar por que tomou as decisões anteriores. Caso contrário, cada iteração começa do zero, como na história da migração noturna.

A abordagem também tem um lado negativo. A memória dentro do modelo é mais difícil de auditar do que uma tabela em um banco de dados. Um fato incorreto gravado nos parâmetros é mais difícil de encontrar e apagar. Em tarefas com automodificação, isso é uma questão de segurança, e não apenas de conveniência.

O que os desenvolvedores devem verificar

Enquanto o relatório técnico e os testes não saem, vale olhar para pontos concretos:

1. Como o MemT se comporta em tarefas em que o contexto é claramente maior que a janela. São necessárias comparações com o modelo base e com RAG. 2. Se é possível ver, corrigir ou apagar o que o modelo memorizou. 3. O que acontece com a memória na atualização de versão. Foi exatamente aí que o autor do post tropeçou. 4. Se existem medições independentes. Afirmações sobre “autoaperfeiçoamento” sem testes reprodutíveis continuam sendo marketing.

Quem já constrói agentes pode não esperar o lançamento e revisar o próprio stack. O estado fica armazenado separadamente do modelo? Ele sobrevive à troca de versão? Como é a migração sem a participação do próprio agente? Se não há resposta para essas perguntas, a migração noturna pode terminar com a mesma mensagem sobre contexto esgotado.