Zhejiang University und Lenovo stellen Gedächtnissystem EM²Mem vor

Forschung

Ein Team der Zhejiang University und von Lenovo hat ein neues Gedächtniskonzept für multimodale KI-Agenten vorgestellt. Es trägt den Namen EM²Mem und ist auf Ereignisse zentriert. Laut der Meldung soll es Agenten davon abhalten, Informationen schnell wieder zu vergessen oder ineffizient danach zu suchen. Die Arbeit wurde nach Angaben der Meldung auf der EMNLP2026 vorgestellt.

Das Verfahren dreht die bisherige Reihenfolge um: Statt erst zu suchen und dann zu verknüpfen, verknüpft EM²Mem zunächst und sucht erst danach. Dabei werden Personen, Objekte, Handlungen und Zeitangaben eines Ereignisses direkt beim Aufbau des Gedächtnisses zusammengeführt, sodass mehrstufige Ereignisarchive entstehen. Ein Episodengraph und ein Semantikgraph verbinden anschließend verschiedene Erfahrungen miteinander, aus denen sich nach Angaben des Teams langfristige Muster ableiten lassen. Nach Angaben des Teams verbessert das Verfahren gegenüber bestehenden Methoden sowohl die Trefferquote bei ereignisbezogenen Belegen als auch die Genauigkeit bei Fragen und Antworten, bei gleichzeitig geringerem Zeit- und Token-Aufwand pro Anfrage. Da das einmal aufgebaute Gedächtnis mehrfach wiederverwendet werden kann, wachse der Effizienzvorteil laut Meldung bei langfristiger Nutzung weiter.

Auf Basis der Technik hat das Team zudem ein Speichersystem namens LightMem-Ego aufgebaut. Dieses soll sich nach Angaben des Teams künftig in Bereichen wie persönlichen Assistenten oder Laborassistenten für wissenschaftliche Arbeit einsetzen lassen.

Für mich liegt der eigentliche Punkt in der Umkehrung der Reihenfolge: erst verknüpfen, dann suchen, statt umgekehrt. Das betrifft alle, die gerade an Langzeitgedächtnis für multimodale Agenten arbeiten, denn die meisten bisherigen Ansätze speichern Informationen getrennt und verlieren dadurch Zusammenhänge zwischen Personen, Objekten und Zeitpunkten. Wenn sich dieser Ansatz in der Praxis bewährt, verändert das weniger die Modelle selbst als die Architektur darum herum, also wie Erinnerungen strukturiert und wiederverwendet werden. Für Teams, die eigene Agentensysteme mit persistentem Gedächtnis bauen wollen, wäre das ein Baustein, den man im Blick behalten sollte, sobald konkretere Vergleichsdaten vorliegen.

Offen bleibt: Die Angaben zur Leistungssteigerung bleiben unbelegt, da die Meldung keine konkreten Zahlen nennt und sich allein auf das Forschungsteam selbst stützt, und die genannte Konferenz EMNLP2026 liegt zudem noch in der Zukunft.

Quelle: AIbase News