Investigadores chinos, procedentes principalmente de la Universidad Jiao Tong de Shanghái y la Universidad Zhejiang, han presentado MemOS, un sistema operativo de memoria diseñado específicamente para modelos de inteligencia artificial. Este desarrollo aborda una deficiencia clave en los sistemas actuales: su incapacidad para mantener recuerdos persistentes entre interacciones.
A diferencia del almacenamiento estático o contextual limitado habitual, MemOS trata la memoria como un recurso computacional central —al igual que lo son actualmente el procesador o el disco duro— permitiendo su programación, compartición y evolución a lo largo del tiempo.
Según los datos publicados por los investigadores en arXiv (4 julio), este enfoque ha permitido mejorar hasta un 159% las tareas relacionadas con razonamiento temporal frente a soluciones previas como OpenAI Memory, según recoge VentureBeat.
Limitaciones actuales: silos y pérdida continua del contexto
Los modelos grandes de lenguaje (LLM) enfrentan dificultades significativas al intentar conservar información relevante más allá del turno actual. Esta carencia se traduce en experiencias fragmentadas donde preferencias personales o conocimientos adquiridos no se mantienen entre sesiones sucesivas.
Métodos alternativos como RAG (retrieval-augmented generation) ofrecen soluciones parciales mediante recuperación externa durante conversaciones. Sin embargo, según los autores del estudio, estas técnicas siguen siendo soluciones sin estado incapaces de gestionar memorias con control sobre su ciclo vital ni aprendizaje progresivo basado en experiencia acumulada.
Sistemas empresariales especialmente afectados
En entornos corporativos donde flujos complejos pueden extenderse durante días o semanas —como procesos legales o planificación financiera— esta falta estructural compromete seriamente tanto eficiencia operativa como personalización sostenida.
Estructura técnica basada en unidades modulares llamadas MemCubes
El núcleo funcional reside en las denominadas MemCubes, bloques estandarizados capaces de encapsular distintos tipos informacionales —desde texto explícito hasta adaptaciones paramétricas internas— permitiendo así una gestión integral e interoperable dentro del modelo AI subyacente.
Bajo pruebas realizadas con LOCOMO Benchmark orientado a evaluar capacidades cognitivas dependientes fuertemente del uso eficiente y prolongado de memoria interna, MemOS logró superar ampliamente todas las referencias comparativas existentes incluyendo mem0 y LangMem. En escenarios particularmente exigentes como razonamientos multi-hop obtuvo márgenes destacados respecto a sus competidores directos.
Eficiencia mejorada gracias al mecanismo KV-cache injection
A nivel técnico también destaca una reducción significativa —hasta 94%—en latencia desde solicitud hasta primer token generado bajo ciertas configuraciones específicas gracias al innovador método denominado K-value cache memory injection mechanism.
