# MEMENTO usa notas curtas para responder sobre livros longos

> Um artigo no arXiv relata que o MEMENTO aumentou a precisão do Qwen3-8B em perguntas sobre livros, mantendo o contexto de trabalho abaixo de 20.000 tokens.

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

Um novo artigo no arXiv apresenta o MEMENTO, um agente de IA treinado para decidir que informações manter ao trabalhar com textos muito longos. Em testes com perguntas sobre livros, o sistema elevou a precisão do Qwen3-8B de 36.9% para 67.8%, usando no máximo 20.000 tokens de contexto por vez. Os livros dos testes tinham até 2.5 milhões de tokens.

A abordagem busca resolver um problema básico dos sistemas de IA: eles nem sempre conseguem manter uma conversa ou um documento inteiro e longo no contexto de trabalho. Uma solução comum, chamada compactação, consiste em substituir o material anterior por uma nota mais curta. Segundo o artigo, agentes disponíveis no mercado, incluindo GPT-5.5 e GLM-5.3, muitas vezes produzem notas ruins, e apenas o aprendizado por reforço raramente os ensina a fazer anotações eficazes.

## Como o MEMENTO gerencia o contexto

O MEMENTO é baseado no Qwen3-8B. Seu treinamento começou com exemplos sintéticos em que as notas eram geradas com conhecimento posterior; depois, esses exemplos foram usados para ajustar o modelo. A equipe acrescentou aprendizado por reforço, um método que aprimora um modelo por meio de feedback, com uma recompensa baseada na correção das respostas, na qualidade das notas e na correspondência entre a confiança do agente e seu desempenho.

O sistema foi treinado para condensar seu histórico em uma nova janela de contexto. Nos testes, porém, o artigo diz que também recorreu a abordagens como reintegrar informações ao contexto e voltar a materiais anteriores quando a confiança era baixa. Essas estratégias ajudam o agente a trabalhar com livros extensos sem carregar o texto inteiro em seu contexto ativo.

## O que mostram os resultados

Em quatro benchmarks de perguntas e respostas sobre livros, o artigo relata que o MEMENTO obteve 67.8%, ante 13.1% de um agente GPT-5.5 na mesma configuração de teste e 56.7% em uma comparação com o livro inteiro no contexto. Também marcou 69.3% contra um agente GLM-5.3 descrito como cerca de 100 vezes maior. Segundo o artigo, o MEMENTO custou menos de um quinquagésimo do valor do agente GPT-5.5 e um nono do custo do agente GLM-5.3; ficou a 6.4 pontos percentuais do GLM-5.3 com o livro inteiro no contexto, por um vinte e seis avos do custo.

Esses são resultados relatados pelos autores do artigo, não uma prova de que o MEMENTO terá o mesmo desempenho em outras tarefas ou documentos. O resumo não informa os nomes dos benchmarks, os custos em dólares nem detalhes sobre o acesso público ao modelo. As conclusões se limitam a perguntas e respostas sobre livros e à configuração de teste descrita no artigo.

## Os fatos

- O MEMENTO é baseado no Qwen3-8B e, nos testes relatados, usa uma janela de contexto limitada a 20.000 tokens.
- Os testes abrangeram quatro benchmarks de perguntas e respostas sobre livros, com obras de até 2.5 milhões de tokens.
- O artigo relata precisão de 67.8% para o MEMENTO, contra 36.9% do Qwen3-8B antes do treinamento com o MEMENTO.
- O artigo relata que o MEMENTO custou um nono do valor do agente GLM-5.3 e obteve 67.8%, contra 69.3% do GLM-5.3.

## Por que importa

Para quem desenvolve ferramentas de IA capazes de responder a perguntas sobre livros longos, o MEMENTO sugere que o aprendizado de técnicas de anotação pode reduzir a quantidade de texto que um modelo precisa manter de uma só vez. Os ganhos relatados se limitam a testes com perguntas sobre livros; ainda não está claro se o método ajuda com outros documentos extensos ou em usos cotidianos.

## Fontes e referências

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

Última atualização: 2026-11-03