# MEMENTO risponde sulle opere lunghe con brevi appunti

> Secondo uno studio pubblicato su arXiv, MEMENTO ha migliorato la precisione di Qwen3-8B nel rispondere a domande sui libri, mantenendo il contesto di lavoro sotto i 20.000 token.

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

Un nuovo studio pubblicato su arXiv presenta MEMENTO, un agente IA addestrato a decidere quali informazioni conservare mentre elabora testi molto lunghi. Nei test con domande sui libri, il sistema ha portato la precisione di Qwen3-8B dal 36,9% al 67,8%, utilizzando al massimo 20.000 token di contesto alla volta. I libri usati nei test arrivavano a 2,5 milioni di token.

L’approccio affronta un problema fondamentale dei sistemi di IA: non sempre riescono a mantenere un’intera conversazione o un documento lungo nel contesto di lavoro. Una soluzione comune, detta compattazione, consiste nel sostituire il materiale precedente con un appunto più breve. Secondo lo studio, gli agenti disponibili, tra cui GPT-5.5 e GLM-5.3, spesso prendono appunti in modo inefficace e il solo apprendimento per rinforzo raramente insegna loro a farlo bene.

## Come MEMENTO gestisce il contesto

MEMENTO si basa su Qwen3-8B. L’addestramento è iniziato con esempi sintetici in cui gli appunti venivano generati a posteriori; il modello è stato poi perfezionato usando quegli esempi. Il team ha aggiunto l’apprendimento per rinforzo, un metodo che migliora un modello attraverso il feedback, con una ricompensa basata sulla correttezza delle risposte, sulla qualità degli appunti e sulla corrispondenza tra il livello di sicurezza dell’agente e le sue prestazioni.

Il sistema è stato addestrato a condensare la propria cronologia in una nuova finestra di contesto. Durante i test, tuttavia, secondo lo studio ha usato anche strategie come reintegrare le informazioni nel contesto e tornare a esaminare il materiale precedente quando il livello di sicurezza era basso. Queste strategie aiutano l’agente a elaborare libri lunghi senza caricare tutto il testo nel contesto attivo.

## Cosa mostrano i risultati

Sui quattro benchmark di domande e risposte sui libri, lo studio riporta un punteggio del 67,8% per MEMENTO, contro il 13,1% di un agente GPT-5.5 nella stessa configurazione di test e il 56,7% di un sistema di confronto con il contesto dell’intero libro. MEMENTO ha inoltre ottenuto il 69,3% in un confronto con un agente GLM-5.3 descritto come circa 100 volte più grande. Secondo lo studio, MEMENTO è costato meno di un cinquantesimo rispetto all’agente GPT-5.5 e un nono rispetto all’agente GLM-5.3; con il contesto dell’intero libro, è rimasto a 6,4 punti percentuali da GLM-5.3, ma a un ventiseiesimo del costo.

Sono risultati riportati dagli autori dello studio, non la prova che MEMENTO funzionerà allo stesso modo con altri compiti o documenti. L’abstract non specifica i nomi dei benchmark, i costi in dollari né i dettagli sull’accesso pubblico al modello. I risultati riguardano nello specifico le domande e risposte sui libri e la configurazione di test descritta nello studio.

## I fatti

- MEMENTO si basa su Qwen3-8B e, nei test riportati, usa una finestra di contesto limitata a 20.000 token.
- I test comprendevano quattro benchmark di domande e risposte sui libri, lunghi fino a 2,5 milioni di token.
- Secondo lo studio, MEMENTO ha raggiunto una precisione del 67,8%, contro il 36,9% di Qwen3-8B prima dell’addestramento con MEMENTO.
- Secondo lo studio, MEMENTO è costato un nono rispetto all’agente GLM-5.3, ottenendo il 67,8% contro il 69,3% di GLM-5.3.

## Perché conta

Per chi sviluppa strumenti di IA capaci di rispondere a domande su libri lunghi, MEMENTO suggerisce che imparare a prendere appunti può ridurre la quantità di testo che un modello deve mantenere alla volta. I miglioramenti riportati riguardano solo test con domande sui libri: non è quindi chiaro se il metodo sia utile anche con altri documenti lunghi o negli usi quotidiani.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-11-03