![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/03\/Part-1-Post-memory-training_Teaching-agents-to-remember-not-just-retrieve-image-1.png\")
<\/p>\n
El muro de ajuste<\/h2>\n
El supuesto por defecto durante la mayor parte de la historia reciente de la IA ha sido sencillo: si quiere que un modelo se comporte de forma diferente, aj\u00fastelo. Ajuste los pesos. Optim\u00edcelo para su dominio. El problema es que el ajuste fino se ha convertido en la competencia de un n\u00famero cada vez menor de organizaciones.<\/p>\n
Entrenar un modelo de 70B par\u00e1metros requiere cientos de GPU de gama alta funcionando durante d\u00edas o semanas. Una sola ejecuci\u00f3n de ajuste fino en un modelo como Llama 3.1 70B cuesta entre $50.000 y $200.000 en computaci\u00f3n, dependiendo del tama\u00f1o y la duraci\u00f3n del dataset. El acceso a ese ordenador est\u00e1 limitado. Los clusters NVIDIA H100 se reservan con meses de antelaci\u00f3n y los conocimientos para gestionar los trabajos de formaci\u00f3n distribuidos son escasos. La mayor\u00eda de los equipos empresariales no cuentan con ingenieros de ML que puedan dise\u00f1ar funciones de recompensa, depurar problemas de gradiente o gestionar la recuperaci\u00f3n de puntos de control en clusters de varios nodos.<\/p>\n
El resultado es un sistema de dos niveles. Un pu\u00f1ado de laboratorios de vanguardia y empresas emergentes bien financiadas pueden personalizar el comportamiento de los modelos. Todos los dem\u00e1s utilizan los modelos tal cual, envolvi\u00e9ndolos en conductos de ingenier\u00eda y recuperaci\u00f3n r\u00e1pidas que tocan techo una vez que las tareas se hacen largas y complejas.<\/p>\n
El entrenamiento post-memoria rompe esta din\u00e1mica. No modifica las ponderaciones del modelo base para el conocimiento del dominio. Entrena un comportamiento -la gesti\u00f3n de la memoria- utilizando el aprendizaje por refuerzo en la fase de post-entrenamiento. Los requisitos de c\u00e1lculo son un orden de magnitud inferiores. Toda la tuber\u00eda de entrenamiento de AgeMem se ejecuta en un \u00fanico nodo 8xA100. Memory-R1 logra sus resultados con 152 muestras de entrenamiento. MemAct entrena un modelo 14B para igualar la precisi\u00f3n de modelos 16 veces mayores. Estos no son requisitos de recursos de laboratorio de frontera. Son accesibles.<\/p>\n
La implicaci\u00f3n: las organizaciones que nunca podr\u00edan permitirse afinar un modelo de base pueden ahora entrenar a sus agentes para que gestionen la memoria de forma inteligente. No se trata de una mejora incremental. Es un cambio en qui\u00e9n consigue construir agentes que realmente funcionen m\u00e1s all\u00e1 de la fase de demostraci\u00f3n.<\/p>\n
La brecha que la arquitectura por s\u00ed sola no puede cerrar<\/h2>\n
He aqu\u00ed el problema en t\u00e9rminos concretos. Una sola conversaci\u00f3n con un agente de IA tiene un coste medio de $0,14 en fichas. Escale eso a 3.000 empleados que lo utilicen diez veces al d\u00eda, y se encontrar\u00e1 con $126.000 al mes en tarifas API. A medida que crecen los historiales de conversaciones, los costes escalan cuadr\u00e1ticamente porque cada nuevo turno reprocesa todos los turnos anteriores. Un agente que gestione un flujo de trabajo de 100 turnos no cuesta 10 veces lo que cuesta un flujo de trabajo de 10 turnos. Cuesta m\u00e1s bien 100 veces.<\/p>\n
La industria prob\u00f3 con ventanas contextuales m\u00e1s grandes. Ahora tenemos modelos que aceptan un mill\u00f3n de fichas o m\u00e1s. Pero persisten tres problemas. La atenci\u00f3n de los modelos se degrada en secuencias largas. El efecto \u201cperdido en el medio\u201d documentado por la UC Berkeley muestra que el rendimiento cae cuando la informaci\u00f3n relevante se sit\u00faa cerca de los l\u00edmites del contexto. El coste de forzar bruscamente el contexto es insostenible a escala organizativa. Y la mayor\u00eda de los flujos de trabajo empresariales siguen superando incluso las ventanas de un mill\u00f3n de tokens cuando se tienen en cuenta las salidas de las herramientas, el data estructurado y el estado acumulado.<\/p>\n
La industria prob\u00f3 la generaci\u00f3n aumentada por recuperaci\u00f3n. La RAG ayuda, pero recupera lo que es sem\u00e1nticamente similar, no lo que es relevante desde el punto de vista operativo. Una restricci\u00f3n cr\u00edtica del turno 3 puede ser sem\u00e1nticamente distante de la consulta del turno 47, pero esencial para la decisi\u00f3n en cuesti\u00f3n.<\/p>\n
La industria prob\u00f3 la gesti\u00f3n heur\u00edstica de la memoria. Sistemas basados en reglas que resumen, comprimen o filtran el contexto bas\u00e1ndose en una l\u00f3gica predefinida. La arquitectura de Mem0 consigue mejoras de precisi\u00f3n de 26% y una latencia 91% menor en comparaci\u00f3n con los m\u00e9todos de contexto completo. Ganancias reales. Pero los sistemas heur\u00edsticos comparten una limitaci\u00f3n: las reglas son dise\u00f1adas por ingenieros, no aprendidas de la experiencia. No pueden adaptarse a nuevos dominios sin un redise\u00f1o manual.<\/p>\n
La laguna: ninguno de estos enfoques ense\u00f1a al propio agente qu\u00e9 debe recordar. Y ninguno de ellos ense\u00f1a al agente c\u00f3mo navegar por su propio contexto.<\/p>\n
Post-entrenamiento para la memoria: la convergencia RL<\/h2>\n
El t\u00e9rmino \u201cpost-entrenamiento\u201d se refiere a la optimizaci\u00f3n que tiene lugar despu\u00e9s de la fase de pre-entrenamiento del modelo base. As\u00ed es como pasamos de los modelos de lenguaje en bruto a los asistentes de seguimiento de instrucciones (a trav\u00e9s de RLHF), de los asistentes a los modelos de razonamiento (a trav\u00e9s de los modelos de recompensa de procesos) y, ahora, de los modelos de razonamiento a los agentes que gestionan su propio estado cognitivo.<\/p>\n
El mecanismo es el aprendizaje por refuerzo. En lugar de construir la gesti\u00f3n de la memoria como un sistema externo, se a\u00f1aden operaciones de memoria al espacio de acci\u00f3n del agente y se le entrena para que las utilice bien. El agente aprende cu\u00e1ndo almacenar, borrar, consolidar y recuperar, todo ello mediante ensayo y error, optimizado en funci\u00f3n de la finalizaci\u00f3n de la tarea. No se necesitan ejemplos reales de gesti\u00f3n \u201ccorrecta\u201d de la memoria. S\u00f3lo una se\u00f1al de recompensa: \u00bfresolvi\u00f3 finalmente el agente la tarea?<\/p>\n
Ocho art\u00edculos recientes ilustran c\u00f3mo funciona esto.<\/p>\n
Las arquitecturas clave<\/h2>\n
AgeMem<\/strong> proporciona al agente seis herramientas de memoria: A\u00d1ADIR, ACTUALIZAR, ELIMINAR para el almacenamiento a largo plazo, y RECUPERAR, RESUMIR, FILTRAR para el contexto a corto plazo. El entrenamiento se realiza en tres etapas progresivas. Resultados en Qwen2.5-7B: mejora relativa de +49,59% respecto a las l\u00edneas de base sin memoria, con 3-5% menos tokens de prompt consumidos que las variantes RAG. Mejor rendimiento con menos contexto.<\/p>\n Memoria-R1<\/strong> separa el problema en dos agentes especializados: un Gestor de Memoria que aprende las operaciones estructuradas y un Agente de Respuesta que recupera y razona. La recompensa del Gestor de Memoria proviene de si el Agente de Respuesta puede responder correctamente. Resultados: +28% F1<\/strong> sobre la mejor l\u00ednea de base en LoCoMo, utilizando s\u00f3lo 152 muestras de entrenamiento. Transferencia cero a puntos de referencia no vistos sin reentrenamiento.<\/p>\n MemAct<\/strong> aumenta el espacio de acci\u00f3n con un operador de \u201cpoda y escritura\u201d: en cualquier paso, el agente puede borrar los turnos del historial y adjuntar un resumen de memoria. MemAct-RL-14B iguala la precisi\u00f3n de modelos 16 veces mayores<\/strong> reduciendo al mismo tiempo la longitud media del contexto en 51% y la latencia de inferencia en ~40%.<\/p>\n MEM1<\/strong> va m\u00e1s lejos, manteniendo un tama\u00f1o de memoria constante. En cada vuelta, el agente genera un Estado Interno que consolida todo lo que necesita, y luego descarta todo el contexto anterior. El uso de memoria se mantiene plano independientemente de la duraci\u00f3n de la tarea. MEM1-7B supera Qwen2.5-14B<\/strong> en tareas de 16 objetivos. El modelo aprendi\u00f3 a seguir subobjetivos por separado, a saltarse preguntas resueltas y a autocorregir consultas, todos ellos comportamientos emergentes.<\/p>\n MemAgent<\/strong> aborda el caso extremo: procesar documentos de longitud arbitraria con una complejidad lineal. Entrenado con una longitud de contexto de 32K, extrapola hasta 3,5 millones de tokens con menos de 5% de p\u00e9rdida de rendimiento.<\/p>\n El patr\u00f3n en todos ellos: la gesti\u00f3n de memoria entrenada supera a la gesti\u00f3n de memoria no entrenada, y a menudo supera a los modelos m\u00e1s grandes con memoria no entrenada<\/strong>.<\/p>\n Pero ense\u00f1ar a los agentes qu\u00e9 deben recordar es s\u00f3lo la mitad de la historia. En la siguiente parte de este art\u00edculo, profundizar\u00e9 en un desarrollo paralelo que replantea el problema por completo: Modelos ling\u00fc\u00edsticos recursivos<\/strong>, que tratan el contexto no como algo que recuperar, sino como algo por lo que navegar. Tambi\u00e9n examinar\u00e9 c\u00f3mo los sistemas de producci\u00f3n como OpenClaw<\/strong> est\u00e1n demostrando que estas ideas funcionan fuera de los puntos de referencia, qu\u00e9 significa esta convergencia para el escalado empresarial y d\u00f3nde est\u00e1n las lagunas que quedan. Los agentes que escalen no s\u00f3lo recordar\u00e1n mejor, sino que sabr\u00e1n encontrar lo que a\u00fan no han recordado.<\/p>","protected":false},"excerpt":{"rendered":" El entrenamiento post-memoria ha sido un hiperenfoque m\u00edo durante los \u00faltimos meses. Si has seguido mi escritura reciente sobre gesti\u00f3n de contexto, arquitecturas de memoria y la pregunta recurrente de por qu\u00e9 los agentes se degradan despu\u00e9s del turno 50, este art\u00edculo es donde convergen esos hilos. El patr\u00f3n original era lo suficientemente claro. Ocho equipos de investigaci\u00f3n independientes llegaron a la misma conclusi\u00f3n: deja de construir sistemas de memoria alrededor del modelo y entrena al modelo en s\u00ed mismo para que gestione la memoria como una habilidad aprendida. Esa convergencia fue significativa.<\/p>","protected":false},"featured_media":1103953,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1103952","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/1103952","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/1103953"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=1103952"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=1103952"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=1103952"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}