🤖 AI

Contextual Agentic Memory is a Memo, Not True Memory

यह शोध पत्र तर्क देता है कि वर्तमान एजेंटिक मेमोरी सिस्टम वास्तविक भार-आधारित (weight-based) स्मृति के बजाय केवल समानता-आधारित लुकअप (similarity-based lookups) करते हैं, जो एक मौलिक श्रेणीगत त्रुटि है जो सामान्यीकरण और सुरक्षा को सीमित करती है, और तेज़ उदाहरण भंडारण (exemplar storage) को धीमी नियम सुदृढ़ीकरण (rule consolidation) के साथ एकीकृत करने के लिए एक तंत्रिका वैज्ञानिक द्वि-प्रणाली (neuroscientific dual-system) दृष्टिकोण अपनाने का प्रस्ताव देता है।

मूल लेखक: Binyan Xu, Xilin Dai, Kehuan Zhang

प्रकाशित 2026-05-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Binyan Xu, Xilin Dai, Kehuan Zhang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ एक सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके पेपर की व्याख्या दी गई है।

मुख्य विचार: एक फाइलिंग कैबिनेट बनाम एक मस्तिष्क

लेखकों का तर्क है कि वर्तमान AI एजेंट (स्मार्ट कंप्यूटर प्रोग्राम) वास्तव में उस तरह से "याददाश्त" नहीं रखते जैसे मनुष्य रखते हैं। इसके बजाय, उनके पास एक बहुत ही परिष्कृत फाइलिंग सिस्टम है।

वर्तमान AI (फाइलिंग कैबिनेट): जब कोई AI कुछ "याद" करता है, तो वह एक डिजिटल नोटबुक (जैसे डायरी या वेक्टर डेटाबेस) में एक नोट लिखता है। बाद में, जब उसे किसी प्रश्न का उत्तर देने की आवश्यकता होती है, तो वह एक समान नोट खोजने के लिए नोटबुक को पलटता है और उसे पढ़ता है। यह उस छात्र की तरह है जिसके पास पाठ्यपुस्तकों का एक आदर्श पुस्तकालय है लेकिन उसने वास्तव में उनके अंदर की सामग्री को कभी सीखा ही नहीं है। यदि छात्र कोई ऐसा प्रश्न देखता है जिसके बारे में उसने पढ़ा नहीं है, तो वह फंस जाता है।
सच्ची याददाश्त (मस्तिष्क): वास्तविक सीखना तब होता है जब आप किसी सबक को आत्मसात कर लेते हैं। आप किताब की आवश्यकता महसूस करना बंद कर देते हैं क्योंकि उस ज्ञान ने आपके मस्तिष्क के काम करने के तरीके को बदल दिया है। आप उस सबक को एक बिल्कुल नई स्थिति में लागू कर सकते हैं जिसे आपने पहले कभी नहीं देखा है।

पेपर का दावा है कि "फाइलिंग कैबिनेट" को "सीखने" के विकल्प के रूप में मानकर, हम एक मौलिक गलती कर रहे हैं जो यह सीमित करती है कि AI कितना स्मार्ट हो सकता है और इसे हैकर्स के प्रति असुरक्षित बनाती है।

मूल समस्या: "लुकअप" (खोजना) "सीखना" नहीं है

पेपर समस्याओं को हल करने के दो तरीकों के बीच अंतर करता है:

एग्जेम्पलर-आधारित (मेमो/नोट): "मैंने पहले यह सटीक समस्या देखी थी, और उत्तर X था। मैं बस X की नकल करूँगा।" यह उन चीजों के लिए बहुत अच्छा काम करता है जो आपने देखी हैं, लेकिन नए संयोजनों (combinations) पर पूरी तरह विफल हो जाता है।
नियम-आधारित (सच्ची याददाश्त): "मैं इस समस्या के पीछे के सिद्धांत को समझता हूँ। भले ही मैंने इस विशिष्ट संस्करण को पहले कभी नहीं देखा हो, मैं नियम का उपयोग करके उत्तर निकाल सकता हूँ।"

उपमा (Analogy):
एक शतरंज खिलाड़ी की कल्पना करें।

फाइलिंग कैबिनेट AI वह खिलाड़ी है जिसने 10,000 विशिष्ट बोर्ड स्थितियों को याद कर लिया है। यदि प्रतिद्वंद्वी ऐसी चाल चलता है जो उन 10,000 में से एक से मेल खाती है, तो AI जीत जाता है। लेकिन यदि प्रतिद्वंद्वी चालों का एक नया संयोजन बनाता है जिसे AI ने कभी नहीं देखा है, तो AI घबरा जाता है क्योंकि वह अपनी नोटबुक में कोई मिलान करने वाला नोट नहीं ढूंढ पाता।
सच्चा सीखने वाला AI एक ग्रैंडमास्टर है जो शतरंज के सिद्धांतों (केंद्र पर नियंत्रण, राजा की रक्षा) को समझता है। भले ही प्रतिद्वंद्वी ऐसी चाल चले जो ग्रैंडमास्टर ने पहले कभी नहीं देखी हो, वे सबसे अच्छी प्रतिक्रिया की गणना कर सकते हैं क्योंकि वे खेल के नियमों को समझते हैं, न कि केवल पिछले खेलों के इतिहास को।

वर्तमान AI एजेंट "फाइलिंग कैबिनेट" मोड में फंसे हुए हैं। वे नोट्स (यादें) के हजारों संचय करते हैं लेकिन वास्तव में अपने आंतरिक "मस्तिष्क" (weights) को अपडेट नहीं करते हैं ताकि वे अंतर्निहित नियमों को समझ सकें।

तीन प्रमुख परिणाम

पेपर इस दृष्टिकोण के साथ तीन विशिष्ट समस्याओं को सिद्ध करता है:

1. "जनरलाइजेशन सीलिंग" (आप नए करतब नहीं सीख सकते)

फाइलिंग कैबिनेट चाहे कितना भी बड़ा क्यों न हो जाए, AI उन समस्याओं को हल नहीं कर सकता जो विचारों को नए तरीकों से जोड़ती हैं।

उपमा: कल्पना करें कि आपने एक रोबोट को केक बनाना सिखाया और अलग से उसे ब्रेड बनाना सिखाया। यदि आप रोबोट को एक "केक-ब्रेड हाइब्रिड" (एक नया संयोजन) बनाने के लिए कहते हैं, तो फाइलिंग-कैबिनेट वाला रोबोट विफल हो जाएगा क्योंकि उसके पास "केक-ब्रेड" के लिए कोई नोट नहीं है। एक सच्चा सीखने वाला रोबोट बेकिंग के रसायन विज्ञान को समझेगा और रेसिपी का आविष्कार करेगा।
गणित: लेखक सिद्ध करते हैं कि नए संयोजनों को हल करने की समान क्षमता प्राप्त करने के लिए, एक फाइलिंग-कैबिनेट AI को असंभव मात्रा में नोट्स (क्वाड्रेटिक रूप से अधिक) संग्रहीत करने की आवश्यकता होगी, जबकि एक सीखने वाला AI को बस अपने आंतरिक नियमों को अपडेट करने की आवश्यकता होती है।

2. "फ्रोजन नोविस" (आप कभी स्मार्ट नहीं होते)

हर बार जब AI एक नई बातचीत शुरू करता है, तो यह उसी "जमे हुए" (frozen) मस्तिष्क के साथ रीसेट हो जाता है। यह बस अपने साथ एक बड़ी नोटबुक लेकर आता है।

उपमा: एक ऐसे छात्र की कल्पना करें जो एक परीक्षा देता है, उत्तर अपनी डायरी में लिखता है, और फिर अगली परीक्षा से पहले डायरी फेंक देता है। वे हर परीक्षा के साथ अपने ज्ञान के स्तर के साथ बिल्कुल समान रूप से शुरू करते हैं, चाहे उन्होंने कितने भी टेस्ट दिए हों। वे एक "फ्रोजन नोविस" (जमा हुआ नौसिखिया) हैं जो नोट्स तो लिखते रहते हैं लेकिन वास्तव में सीखते नहीं हैं।
वास्तविकता: वर्तमान AI एजेंट ऐसा ही करते हैं। वे आत्म-आलोचना और यादें लिखते हैं, लेकिन उनका अंतर्निहित "मस्तिष्क" (मॉडल वेट्स) कभी नहीं बदलता। वे अपने नोट्स को व्यवस्थित करने में बेहतर हो जाते हैं, लेकिन सोचने में नहीं।

3. "परसिस्टेंट पॉइज़न" (सुरक्षा जोखिम)

यह एक महत्वपूर्ण सुरक्षा खामी है।

उपमा: यदि कोई हैकर किसी इंसान को उनकी डायरी में एक गलत तथ्य लिखने के लिए बहलाता है, तो इंसान अगली बार यह महसूस कर सकता है कि वह गलत है। लेकिन यदि कोई AI अपनी मेमोरी फ़ाइल में एक ज़हरीला निर्देश (poisoned instruction) लिख देता है, तो वह फ़ाइल हर बार पढ़ी जाती है जब भी AI काम करता है।
परिणाम: एक बार का हैक एक स्थायी संक्रमण बन जाता है। AI हमेशा उस बुरे निर्देश का पालन करेगा क्योंकि वह उसकी "याददाश्त" में दफन है। मानव मस्तिष्क में, बुरी यादों को बदला या अनदेखा किया जा सकता है; रिट्रीवल सिस्टम (retrieval system) में, वह बुरा नोट बार-बार निकाला जाता रहेगा।

समाधान: "नींद" का चक्र (The "Sleep" Cycle)

पेपर सुझाव देता है कि हमें देखना चाहिए कि मानव मस्तिष्क कैसे समस्याओं को हल करता है। मनुष्यों के पास दो प्रणालियाँ हैं:

हिप्पोकैम्पस (तेज़): नए अनुभवों को जल्दी से संग्रहीत करता है (AI के फाइलिंग कैबिनेट की तरह)।
नियोकोर्टेक्स (धीमा): नींद के दौरान, मस्तिष्क उन तेज़ यादों को दीर्घकालिक नियमों में ले जाता है और अपने तंत्रिका कनेक्शन (neural connections) को अपडेट करता है।

प्रस्ताव:
AI डेवलपर्स को अपने एजेंटों के लिए एक "स्लीप साइकिल" (नींद का चक्र) बनाना चाहिए।

चरण 1: दिन के दौरान अपना काम करने के लिए एजेंट को अपने फाइलिंग कैबिनेट (रिट्रीवल) का उपयोग करने दें।
चरण 2: रात में (या बैकग्राउंड में), फाइलिंग कैबिनेट से सबसे महत्वपूर्ण सबक लें और एजेंट के मस्तिष्क के वेट्स (weights) को अपडेट करें।
चरण 3: यह "नोट्स" को "विशेषज्ञता" में बदल देता है।

विभिन्न समूहों के लिए सारांश

निर्माताओं (Builders) के लिए: फाइलिंग कैबिनेट को बड़ा बनाने की कोशिश करना बंद करें। एक ऐसा पाइपलाइन बनाएं जो नोट्स ले और वास्तव में मॉडल के मस्तिष्क (weights) को अपडेट करे।
परीक्षकों (Testers) के लिए: यह परीक्षण करना बंद करें कि क्या AI पुराने तथ्यों को याद कर सकता है। यह परीक्षण करना शुरू करें कि क्या AI समस्याओं के उन नए संयोजनों को हल कर सकता है जिन्हें उसने पहले नहीं देखा है।
सुरक्षा (Security) के लिए: यह समझें कि एक हैक की गई मेमोरी फ़ाइल एक स्थायी खतरा है। आपको केवल एक फ़ाइल को हटाने के बजाय "मस्तिष्क" को "साफ़" करने के तरीके की आवश्यकता है।

निष्कर्ष:
वर्तमान AI एजेंट फाइलिंग करने में बेहतर हो रहे हैं, लेकिन वे सोचने में बेहतर नहीं हो रहे हैं। सच्चे विशेषज्ञ बनने के लिए, उन्हें केवल नोट्स लिखना बंद करना होगा और अपना मन बदलना शुरू करना होगा।

यहाँ जू, दाई और झांग के शोध पत्र "Contextual Agentic Memory is a Memo, Not True Memory" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान लार्ज लैंग्वेज मॉडल (LLM) एजेंट आर्किटेक्चर में एक मौलिक श्रेणी त्रुटि (category error) की पहचान करता है। क्षेत्र ने पुनर्प्राप्ति (retrieval) (संग्रहित जानकारी को ढूँढना) और स्मृति (memory) (आंतरिकृत शिक्षण) के बीच के अंतर को धुंधला कर दिया है।

वर्तमान स्थिति: अधिकांश एजेंटिक सिस्टम (जैसे MemGPT, Reflexion, Voyager) कॉन्टेक्स्ट इंजीनियरिंग (C-engineering) पर निर्भर हैं। वे बाहरी वेक्टर डेटाबेस या कॉन्टेक्स्ट विंडो में अनुभवों को संग्रहीत करते हैं और समानता खोज (Similarity Search) के माध्यम से उन्हें पुनर्प्राप्त (retrieve) करते हैं (Retrieval-Augmented Generation, RAG)।
दोष: यह दृष्टिकोण स्मृति को एक उदाहरण-आधारित लुकअप टेबल (exemplar-based lookup table) के रूप में मानता है। जबकि यह एजेंटों को पिछले घटनाओं को याद करने की अनुमति देता है, यह उन्हें विशेषज्ञता (expertise) या अमूर्त नियम (abstract rules) विकसित करने की अनुमति नहीं देता है।
परिणाम:
1. सामान्यीकरण की सीमा (Generalization Ceiling): एजेंट "संयोजन रूप से नवीन" (compositionally novel) कार्यों (ज्ञात अवधारणाओं के नए संयोजन) को हल नहीं कर सकते क्योंकि उनमें आंतरिक नियमों का अभाव होता है।
2. जमा हुआ नौसिखिया (Frozen Novice): एजेंट अनिश्चित काल तक नोट्स संचित करते रहते हैं लेकिन अपने अंतर्निहित मॉडल वेट्स ( $\theta$ ) को कभी अपडेट नहीं करते, जिसका अर्थ है कि वे वास्तव में कभी सीखते नहीं हैं।
3. सुरक्षा भेद्यता (Security Vulnerability): प्रॉम्प्ट इंजेक्शन "स्थायी समझौते" (persistent compromises) बन जाते हैं। एक बार बाहरी स्टोर में दुर्भावनापूर्ण सामग्री इंजेक्ट हो जाने के बाद, इसे भविष्य के प्रत्येक सत्र में पुनर्प्राप्त किया जाता है, जो एजेंट के व्यवहार को स्थायी रूप से हाईजैक कर लेता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology & Theoretical Framework)

लेखक संज्ञानात्मक विज्ञान सिद्धांत, औपचारिक गणितीय प्रमाण और मैकेनिस्टिक इंटरप्रिटेबिलिटी (mechanistic interpretability) को संयोजित करने वाला एक बहुआयामी दृष्टिकोण अपनाते हैं।

A. सैद्धांतिक अंतर: $\theta$ बनाम $C$

पेपर एक एजेंट के आउटपुट को बदलने के दो संरचनात्मक पथों के बीच अंतर करता है:

$\theta$ को बदलना (पैरामीट्रिक मेमोरी): प्री-ट्रेनिंग, फाइन-ट्यूनिंग या समेकन (consolidation) के माध्यम से मॉडल वेट्स को संशोधित करना। यह ज्ञान को मॉडल के पैरामीटर स्पेस में संकुचित करता है, जिससे नियम-आधारित सामान्यीकरण (अनदेखे इनपुट पर अमूर्त सिद्धांतों को लागू करना) सक्षम होता है।
$C$ को बदलना (कॉन्टेक्स्ट इंजीनियरिंग): प्रॉम्प्ट, RAG या स्क्रैचपैड के माध्यम से कॉन्टेक्स्ट विंडो में डेटा इंजेक्ट करना। यह उदाहरण-आधारित सामान्यीकरण (संग्रहित मामलों से समानता) पर निर्भर करता है।

मुख्य तर्क: वर्तमान एजेंटिक मेमोरी पूरी तरह से $C$ -इंजीनियरिंग है। वास्तविक सीखने के लिए $\theta$ तक पहुँचने वाले मार्ग की आवश्यकता होती है।

B. औपचारिक प्रमाण: सामान्यीकरण अंतराल (Formal Proof: The Generalization Gap)

लेखक थ्योरम 1 (कंपोजिशनल सैंपल कॉम्प्लेक्सिटी सेपरेशन) पेश करते हैं ताकि यह सिद्ध किया जा सके कि नवीन कार्यों के लिए पुनर्प्राप्ति-आधारित स्मृति, वेट-आधारित स्मृति की तुलना में संरचनात्मक रूप से निम्न स्तर की है।

सेटअप: मान लीजिए $F$ मूल अवधारणाओं का एक सेट है और $\oplus$ एक संयोजन ऑपरेटर (composition operator) है। एजेंट को $(f_i, f_j)$ के जोड़ों पर $\oplus$ लागू करना सीखना है।
पुनर्प्राप्ति ( $M_R$ ): प्रशिक्षण सेट $D$ में मौजूद नवीन जोड़े पर सामान्यीकरण करने के लिए, एजेंट को $K$ पुनर्प्राप्त उदाहरणों से नियम का अनुमान लगाने के लिए स्थिर (frozen) बेस मॉडल की क्षमता पर निर्भर रहना होगा।
पैरामीट्रिक ( $M_P$ ): नियम $\oplus$ को सीधे सीखने के लिए मॉडल को फाइन-ट्यून करना।
परिणाम: पुनर्प्राप्ति के लिए सैंपल कॉम्प्लेक्सिटी $\Omega(k^2)$ के रूप में स्केल करती है (जहाँ $k$ अवधारणाओं की संख्या है), जबकि पैरामीट्रिक लर्निंग $O(d)$ के रूप में स्केल करती है (जहाँ $d$ हाइपोथीसिस क्लास का VC डायमेंशन है)।
निहितार्थ: कॉन्टेक्स्ट विंडो के आकार या पुनर्प्राप्ति की गुणवत्ता को बढ़ाने से इस अंतर को दूर नहीं किया जा सकता। पुनर्प्राप्ति एक कवरेज समस्या (coverage problem) का सामना करती है (प्रत्येक संभावित संयोजन को संग्रहीत करने की आवश्यकता), जबकि पैरामीतिक लर्निंग एक लर्निंग समस्या (learning problem) का सामना करती है (नियम का अनुमान लगाना)।

C. संज्ञानात्मक विज्ञान आधार (Cognitive Science Grounding)

पेपर पूरक शिक्षण प्रणालियों (Complementary Learning Systems - CLS) सिद्धांत का उपयोग करता है:

हिप्पोकैम्पस (तेज़): एपिसोडिक ट्रेसेस को संग्रहीत करता है (वर्तमान बाहरी वेक्टर स्टोर के समान)।
नियोकोर्टेक्स (धीमा): ट्रेसेस को वितरित, नियम-आधारित निरूपणों में समेकित करता है (वेट अपडेट के समान)।
वर्तमान AI: केवल "हिप्पोकैम्पस" (तेज़ भंडारण) को लागू करता है बिना "नियोकोर्टेक्स" (समेकन) के, जो नौसिखिए से विशेषज्ञ बनने की प्रक्रिया को रोकता है।

3. मुख्य योगदान (Key Contributions)

परिभाषात्मक सुधार: यह स्थापित करता है कि एजेंटिक मेमोरी वर्तमान में एक "मेमो" (लुकअप) है न कि "वास्तविक स्मृति" (सीखना)। यह उदाहरण-आधारित और नियम-आधारित संज्ञान के बीच अंतर को औपचारिक रूप देता है।
जनरलाइजेशन गैप थ्योरम: एक प्रमाणित गणितीय सीमा प्रदान करता है जो दिखाता है कि पुनर्प्राप्ति-आधारित सिस्टम का कंपोजिशनल जनरलाइजेशन का स्तर वेट-आधारित सिस्टम की तुलना में कम है, जो कॉन्टेक्स्ट विंडो के आकार से स्वतंत्र है।
"जमा हुआ नौसिखिया" डायनेमिक: यह प्रदर्शित करता है कि केवल $C$ -इंजीनियरिंग पर काम करने वाले एजेंट समय के साथ विशेषज्ञता विकसित नहीं कर सकते; वे एक बड़े डेटाबेस के साथ वही मॉडल बने रहते हैं।
सुरक्षा विश्लेषण (Persistent Compromise): यह सिद्ध करता है कि एजेंटिक मेमोरी संरचनात्मक रूप से क्षणिक प्रॉम्प्ट इंजेक्शन को स्थायी, अनिश्चित समझौते में बदल देती है। वेट-आधारित हमलों (जो निष्पादित करना कठिन हैं) के विपरीत, बाहरी स्टोर में इंजेक्ट की गई सामग्री उच्च संभावना के साथ भविष्य के सभी सत्रों को विषाक्त (poison) कर देती है।
आर्किटेक्चरल प्रस्ताव: एक कंसोलिडेशन चैनल (Consolidation Channel) आर्किटेक्चर का प्रस्ताव देता है जो तेज़ एपिसोडिक रिट्रीवल को मॉडल वेट्स में डिस्टिल्ड अनुभव को एनकोड करने की धीमी, एसिंक्रोनस प्रक्रिया के साथ जोड़ता है (AI का जैविक नींद का एनालॉग)।

4. परिणाम और साक्ष्य (Results & Evidence)

सैद्धांतिक: सैंपल कॉम्प्लेक्सिटी अनुपात $n_R / n_P = \Omega(k^2/d)$ यह सिद्ध करता है कि जैसे-जैसे डोमेन की जटिलता ( $k$ ) बढ़ती है, पुनर्प्राप्ति-आधारित एजेंटों के लिए आवश्यक डेटा पैरामीट्रिक एजेंटों की तुलना में द्विघाती (quadratically) रूप से बढ़ता है।
मैकेनिस्टिक इंटरप्रिटेबिलिटी: साक्ष्य उद्धृत करता है कि तथ्यात्मक जुड़ाव विशिष्ट MLP लेयर्स (वेट्स) में संग्रहीत होते हैं। मानक फाइन-ट्यूनिंग अक्सर केवल अटेंशन राउटर (ज्ञान तक कैसे पहुँचें) को अपडेट करती है, न कि स्वयं ज्ञान सर्किट को, जो लक्षित समेकन की आवश्यकता को पुष्ट करता है।
अनुभवजन्य पुष्टि (Empirical Corroboration):
- अध्ययनों (जैसे Yao et al., 2026) का संदर्भ देता है जो दिखाते हैं कि पैरामीट्रिक स्टोरेज, विशेष रूप से नवीन कंपोजिशनल ट्रांसफर पर, बाहरी स्टोरेज से बेहतर प्रदर्शन करता है।
- SCAN और COGS जैसे बेंचमार्क दिखाते हैं कि वेट-आधारित मॉडल व्यवस्थित विभाजन (systematic splits) पर लगातार पुनर्प्राप्ति-मात्र दृष्टिकोणों से बेहतर प्रदर्शन करते हैं।
- सुरक्षा बेंचमार्क (MINJA, PoisonedRAG) प्रदर्शित करते हैं कि मेमोरी-राइटिंग एजेंट स्टेटलेस एजेंटों की तुलना में निरंतर इंजेक्शन हमलों के प्रति काफी अधिक संवेदनशील होते हैं।

5. महत्व और आह्वान (Significance & Call to Action)

पेपर का तर्क है कि क्षेत्र गलत मीट्रिक (रिकॉल क्षमता) को अनुकूलित कर रहा है और सही मीट्रिक (सीखने की क्षमता) को अनदेखा कर रहा है।

सिस्टम बिल्डर्स के लिए: पुनर्प्राप्ति को सीखने के विकल्प के रूप में देखना बंद करें। एक कंसोलिडेशन चैनल (जैसे आवधिक फाइन-ट्यूनिंग, नॉलेज एडिटिंग, सेल्फ-डिस्टिलेशन) बनाएं ताकि डिस्टिल्ड अनुभव को बाहरी स्टोर ( $C$ ) से मॉडल वेट्स ( $\theta$ ) में स्थानांतरित किया जा सके। सुनिश्चित करें कि यह प्रक्रिया सुरक्षित है (वर्जन वाली चेकपॉइंट्स, प्रोवेनेंस ट्रैकिंग)।
बेंचमार्क डिजाइनरों के लिए: ध्यान "रिकॉल" और "कॉन्टेक्स्ट विंडो साइज" से हटाकर टाइम ओवर कंपोजिशनल जनरलाइजेशन (CGT) पर केंद्रित करें। मूल्यांकन करें कि क्या अनुभव के साथ नवीन अवधारणा संयोजनों को संभालने की एजेंट की क्षमता में सुधार होता है।
कंटीन्यूअल लर्निंग समुदाय के लिए: एजेंटिक सेटिंग के साथ फिर से जुड़ें। एजेंट का अनुभव प्रवाह (experience stream) निरंतर सीखने के तरीकों (रीप्ले, रेगुलराइजेशन) को हल करने के लिए "कंसोलिडेशन" समस्या को हल करने हेतु एक आदर्श लक्ष्य प्रदान करता है।

निष्कर्ष:
पेपर निष्कर्ष निकालता है कि "एजेंट बेहतर यादें नहीं बना रहे हैं; वे बेहतर फाइलिंग सिस्टम बना रहे हैं।" वास्तविक विशेषज्ञता के लिए वेट-आधारित समेकन की आवश्यकता है, न कि केवल बेहतर पुनर्प्राप्ति की। समाधान एक ऐसा आर्किटेक्चर है जो जैविक नींद की नकल करता है: तेज़ एपिसोडिक स्टोरेज के बाद मॉडल के मापदंडों में धीमी, नियम-आधारित समेकन।