# MEMENTO responde sobre libros extensos con notas breves

> Un artículo de arXiv informa que MEMENTO mejoró la precisión de Qwen3-8B al responder preguntas sobre libros, con un contexto de trabajo de menos de 20.000 tokens.

Oossa · 2026-11-03 · https://oossa.com/es/memento-uses-short-notes-to-answer-questions-about-long-books

Un nuevo artículo de arXiv presenta MEMENTO, un agente de IA entrenado para decidir qué información conservar al procesar textos muy extensos. En pruebas con preguntas sobre libros, el sistema elevó la precisión de Qwen3-8B del 36,9 % al 67,8 %, sin superar los 20.000 tokens de contexto en ningún momento. Los libros de las pruebas tenían hasta 2,5 millones de tokens.

El enfoque aborda un problema básico de los sistemas de IA: no siempre pueden mantener una conversación o un documento completo y extenso dentro de su contexto de trabajo. Una solución habitual, llamada compactación, consiste en sustituir el material anterior por una nota más breve. Según el artículo, los agentes disponibles, incluidos GPT-5.5 y GLM-5.3, suelen hacer notas deficientes, y el aprendizaje por refuerzo por sí solo rara vez les enseña a tomar notas de forma eficaz.

## Cómo gestiona MEMENTO el contexto

MEMENTO está basado en Qwen3-8B. Su entrenamiento comenzó con ejemplos sintéticos en los que las notas se generaban retrospectivamente; después, esos ejemplos se usaron para ajustar el modelo. El equipo añadió aprendizaje por refuerzo, un método que mejora un modelo mediante retroalimentación, con una recompensa basada en la corrección de las respuestas, la calidad de las notas y la correspondencia entre la confianza del agente y su rendimiento.

El sistema se entrenó para condensar su historial en una nueva ventana de contexto. Sin embargo, durante las pruebas, el artículo señala que también recurrió a métodos como incorporar de nuevo información a su contexto y volver a consultar material anterior cuando su confianza era baja. Estas estrategias ayudan al agente a procesar libros extensos sin cargar todo el texto en su contexto activo.

## Qué muestran los resultados

En cuatro pruebas de preguntas y respuestas sobre libros, el artículo informa que MEMENTO obtuvo un 67,8 %, frente al 13,1 % de un agente GPT-5.5 en las mismas condiciones y al 56,7 % de una comparación que usaba el contexto del libro completo. También obtuvo un 69,3 % frente a un agente GLM-5.3 descrito como aproximadamente 100 veces más grande. El artículo señala que MEMENTO costó menos de una quincuagésima parte que el agente GPT-5.5 y una novena parte que el agente GLM-5.3; quedó a 6,4 puntos porcentuales de GLM-5.3 con el contexto del libro completo, pero a una vigésima sexta parte del costo.

Estos son resultados comunicados por los autores del artículo; no demuestran que MEMENTO vaya a rendir igual en otras tareas o con otros documentos. El resumen no indica los nombres de las pruebas, los costos en dólares ni si el modelo está disponible públicamente. Los hallazgos se limitan a responder preguntas sobre libros y a las condiciones de prueba descritas en el artículo.

## Los hechos

- MEMENTO está basado en Qwen3-8B y, en las pruebas descritas, utiliza una ventana de contexto limitada a 20.000 tokens.
- Las pruebas abarcaron cuatro evaluaciones de preguntas y respuestas sobre libros, de hasta 2,5 millones de tokens.
- El artículo informa que MEMENTO alcanzó una precisión del 67,8 %, frente al 36,9 % de Qwen3-8B antes del entrenamiento con MEMENTO.
- El artículo informa que MEMENTO costó una novena parte que el agente GLM-5.3 y obtuvo un 67,8 %, frente al 69,3 % de GLM-5.3.

## Por qué importa

Para quienes desarrollan herramientas de IA que deben responder preguntas sobre libros extensos, MEMENTO apunta a que aprender a tomar notas puede reducir la cantidad de texto que un modelo necesita mantener a la vez. Las mejoras comunicadas se limitan a pruebas de preguntas sobre libros, así que aún no está claro si el método sirve para otros documentos extensos o para usos cotidianos.

## Fuentes y referencias

1. [MEMENTO: Learning Context Management for Long Context Processing Agents](https://arxiv.org/abs/2611.00244) – arXiv, 2026-11-03

Última actualización: 2026-11-03