шагами через фиксированные интервалы, обновляя структурированный банк памяти и решая, следует ли вставить краткое напоминание, основанное на памяти, в следующий вызов действия или остаться в стороне. Банк памяти разделен на частный статус, знания и процедурные воспоминания, и агент управляет банком с помощью предопределенных вызовов инструментов, а не свободного переписывания. Тесты проводились на Terminal-Bench 2.0 и τ2-Bench с Claude Opus 4.6 в качестве агента памяти. С Claude Sonnet 4.5 в качестве агента действий система решала 46% задач Terminal-Bench с первой попытки, по сравнению с 38%, и улучшила средневзвешенное значение задач τ2-Bench с 55% до 62%, с заметными различиями по доменам: авиаперевозки и розничная торговля улучшились примерно на 10 процентных пунктов каждая, в то время как телекоммуникации улучшились только на 3. Более сильная модель Opus 4.6 также показала улучшение, но в меньшей степени, что говорит о том, что выгода выходит за рамки простой компенсации ограниченной емкости. Абляционные исследования показали, что ключевыми факторами являются селективное вмешательство и поддерживаемый банк памяти, и этот подход превзошел продуктивный слой памяти Mem0. Команда также исследовала обучение открытой модели Qwen3.5-27B в качестве агента памяти, обнаружив, что для правильной калибровки вмешательств необходимы контролируемая тонкая настройка и обучение с подкреплением. Meta AI опубликовала код на GitHub.