Startup Engram, que está desarrollando memoria para agentes de IA, junto con la empresa de tecnología legal Harvey

comprobado

, ¿qué pasará si el agente estudia con anticipación el espacio de trabajo de la empresa y no relee los documentos cada vez?

Para el experimento, reunieron una firma de abogados sintética Calderwood & Harkness: 100 millones de tokens, 9.286 expedientes, 266 casos de clientes, desde litigios hasta transacciones de fusiones y adquisiciones y rondas de financiación.

El modelo Qwen3.8-27B no solo recibió esta matriz como entrada: la estudió a través de miles de ejecuciones, generó datos de entrenamiento para sí mismo y tomó notas.

Parte del conocimiento se almacena en escalas a través de LoRA, otra parte en notas estructuradas, donde luego el agente busca. Los 100 millones de tokens originales se comprimieron en 1 millón de tokens de billetes.

🟡

Resultados

No era la precisión absoluta lo que era mayor, sino la inteligencia por ficha. Según esta métrica, el Qwen personalizado otorga 190,8 puntos por cada 100 mil tokens frente a los 129,3 de Opus 4.8 y 104,2 con un alto nivel de razonamiento.

En términos del porcentaje de respuestas completamente correctas, el modelo también superó a Opus 4.8 (30% frente a 25%) y costó 0,13 dólares por solicitud frente a 1,32 dólares.

Esta es aproximadamente una diferencia diez veces mayor en los precios de OpenRouter para agosto de 2026.

Medimos por separado cuánto peso absorbió el modelo. Al responder preguntas sobre la empresa sin herramientas ni notas, antes de estudiar acertó en el 4,7% de los casos, después en el 72,6%.

El comportamiento también ha cambiado. El modelo entrenado comienza con una búsqueda de puntos en el 99,2% de los casos, mientras que el modelo base en el 94% de los casos comienza abriendo notas primero. El entrenado llega a la tarea deseada en 3,7 movimientos frente a 5,9.

El espacio de trabajo en el experimento es estático, pero en una empresa real, los documentos cambian todos los días y las preguntas mismas cambian.

Cómo actualizar la memoria de forma económica y continua sin volver a capacitarla es un problema abierto, y Engram lo considera su enfoque principal.

@ai_machinelearning_big_data