# MEMENTO отвечает на вопросы о длинных книгах с помощью заметок

> В статье на arXiv сообщается, что MEMENTO повысила точность Qwen3-8B при ответах на вопросы о книгах, удерживая рабочий контекст в пределах 20 000 токенов.

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

В новой статье на arXiv представлена MEMENTO — ИИ-агент, обученный решать, какую информацию сохранять при работе с очень длинными текстами. В тестах с вопросами о книгах система повысила точность Qwen3-8B с 36.9% до 67.8%, используя за раз не более 20 000 токенов контекста. Объём книг в тестах достигал 2.5 миллиона токенов.

Этот подход решает одну из базовых проблем ИИ-систем: они не всегда могут удерживать весь длинный диалог или документ в рабочем контексте. Один из распространённых обходных путей — компактизация: ранее полученный материал заменяют краткой заметкой. Авторы статьи утверждают, что готовые агенты, в том числе GPT-5.5 и GLM-5.3, часто составляют неудачные заметки, а одного лишь обучения с подкреплением обычно недостаточно, чтобы научить их эффективно вести записи.

## Как MEMENTO управляет контекстом

MEMENTO построена на базе Qwen3-8B. Сначала её обучали на синтетических примерах: заметки создавались с учётом уже известного результата, а затем на этих примерах проводилась дополнительная настройка модели. Команда также применила обучение с подкреплением — метод, при котором модель совершенствуется благодаря обратной связи. Вознаграждение зависело от правильности ответа, качества заметки и того, насколько уверенность агента соответствовала его результатам.

Систему обучили сжимать историю в новое контекстное окно. Однако, по словам авторов статьи, во время тестирования она также использовала такие приёмы, как возвращение ранее сохранённой информации в контекст и повторное обращение к предыдущим материалам при низкой уверенности. Эти стратегии позволяют агенту работать с длинными книгами, не загружая весь текст в активный контекст.

## Что показывают результаты

В четырёх тестах на ответы по книгам MEMENTO набрала 67.8%. Для сравнения: агент на базе GPT-5.5 в тех же условиях получил 13.1%, а вариант с контекстом всей книги — 56.7%. Результат MEMENTO составил также 69.3% против агента на базе GLM-5.3, который, как утверждается, примерно в 100 раз больше. По данным статьи, MEMENTO обходилась менее чем в одну пятидесятую стоимости агента на базе GPT-5.5 и в одну девятую стоимости агента на базе GLM-5.3. До результата GLM-5.3 с контекстом всей книги ей не хватило 6.4 процентного пункта, при этом стоимость была в 26 раз ниже.

Это результаты, представленные авторами статьи, а не доказательство того, что MEMENTO покажет себя так же на других задачах или документах. В аннотации не названы тестовые наборы, не указана стоимость в деньгах и не уточняется, будет ли модель доступна широкой публике. Выводы относятся именно к ответам на вопросы по книгам и условиям тестирования, описанным в статье.

## Факты

- MEMENTO построена на базе Qwen3-8B; в описанных тестах её контекстное окно не превышало 20 000 токенов.
- Тестирование включало четыре набора заданий на ответы по книгам; длина книг достигала 2.5 миллиона токенов.
- По данным статьи, точность MEMENTO составила 67.8% против 36.9% у Qwen3-8B до обучения с помощью MEMENTO.
- По данным статьи, MEMENTO обходилась в одну девятую стоимости агента на базе GLM-5.3 и набрала 67.8% против 69.3% у GLM-5.3.

## Почему это важно

Для разработчиков ИИ-инструментов, которым нужно отвечать на вопросы о длинных книгах, MEMENTO показывает, что обучение ведению заметок может уменьшить объём текста, который модели нужно удерживать одновременно. Результаты получены только на тестах с вопросами по книгам, поэтому пока неясно, поможет ли этот метод при работе с другими длинными документами или в повседневных задачах.

## Источники и ссылки

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

Обновлено: 2026-11-03