Anthropic Explora la Memoria de IA con Técnicas de Sueño y Saliencia

Anthropic ha publicado nuevos conocimientos sobre el diseño de sistemas de memoria para agentes de IA, centrándose en cómo sus modelos Claude retienen y organizan el conocimiento entre sesiones. La investigación, titulada "Los componentes de la memoria del agente" y publicada en 2026-11-06, describe estrategias como "sueño" y etiquetado de saliencia para mejorar la funcionalidad de la memoria.

Organización de la Memoria Inspirada en la Cognición Humana

El estudio establece paralelismos entre los procesos de memoria humana y los sistemas de memoria de IA. En los humanos, el hipocampo captura experiencias en tiempo real, mientras que los períodos fuera de línea, como el sueño, permiten al cerebro consolidar estas experiencias en conocimiento a largo plazo almacenado en la neocorteza. De manera similar, Anthropic emplea un proceso de "sueño" para Claude, donde el modelo reflexiona sobre los registros de sesión durante períodos de inactividad para corregir errores, crear notas y reorganizar la memoria en representaciones vinculadas como wikis.

La API Dreams de Anthropic facilita este proceso consumiendo las tiendas de memoria existentes y los transcriptos de sesión para producir salidas refinadas sin alterar los datos originales. Este trabajo asíncrono puede involucrar uno a 100 transcriptos de sesión, permitiendo que el modelo consolide y valide información de manera efectiva.

Evaluando las Capacidades de Memoria de Claude

Anthropic probó los sistemas de memoria de Claude usando tareas del Continual Learning Bench (CL-Bench) 1.0 y otros puntos de referencia. En un experimento, a Claude se le encargó responder consultas de bases de datos y escribir notas de memoria para mejorar su rendimiento futuro. Modelos avanzados como Claude Opus 5 y Opus 5.5 demostraron ser capaces de cerrar bucles de aprendizaje al registrar reglas validadas e identificar posibles trampas, superando a iteraciones anteriores como Sonnet 4.6 y Opus 4.7.

En una evaluación separada, la capacidad de Claude para jugar Pokémon Red se utilizó para probar su juicio sobre qué guardar en memoria. Modelos como Sonnet 3.7 escribieron archivos de memoria detallados pero excesivos, lo que llevó a la ineficiencia, mientras que Fable 5 priorizó información saliente, resultando en un mejor rendimiento. Fable 5 obtuvo cuatro insignias con solo nueve archivos de memoria, en comparación con la única insignia de Sonnet 3.7 y 413 archivos.

Impacto del Sueño en el Rendimiento

Anthropic también exploró el impacto del sueño en la consolidación de la memoria a través de un experimento de construcción de wikis. Usando aproximadamente 350,000 documentos internos, el estudio mostró que aumentar las sesiones de sueño de dos a 128 mejoró el rendimiento en criterios puntuados del 13% al 48%. En otro ejemplo, el sueño corrigió una nota de memoria engañosa durante una tarea de navegación de juegos, permitiendo que Claude avanzara donde otras configuraciones fracasaron.

Conclusiones Clave para Practicantes de IA

La investigación enfatiza que el almacenamiento persistente por sí solo no es suficiente para una memoria de IA efectiva. Los sistemas de memoria deben incorporar verificación de evidencia, corrección, organización y recuperación selectiva para soportar el rendimiento en tareas a largo plazo. Los hallazgos de Anthropic destacan la importancia de diseñar procesos de memoria que equilibren las demandas de tareas en tiempo real con la utilidad futura, ofreciendo valiosas perspectivas para avanzar en las capacidades de IA.