Resumen: Los modelos de lenguajes grandes (LLM) enfrentan desafíos fundamentales en el razonamiento de contexto largo: muchos documentos exceden sus ventanas de contexto finitas, mientras que el rendimiento en textos que sí se ajustan se degrada con la longitud de la secuencia, lo que requiere su aumento con marcos de memoria externos. Las soluciones actuales, que han evolucionado desde la recuperación mediante incrustaciones semánticas hasta representaciones de gráficos de conocimiento estructurados más sofisticados para mejorar la sensación y la asociatividad, están diseñadas para la recuperación basada en hechos y no logran construir las representaciones narrativas ancladas en el espacio-tiempo necesarias para rastrear entidades a través de eventos episódicos. Para cerrar esta brecha, proponemos el textbf{Generative Semantic Workspace} (GSW), un marco de memoria generativa de inspiración neurológica que construye representaciones estructuradas e interpretables de situaciones en evolución, lo que permite a los LLM razonar sobre roles, acciones y contextos espaciotemporales en evolución. Nuestro marco comprende un textit{Operador}, que asigna observaciones entrantes a estructuras semánticas intermedias, y un textit{Reconciler}, que las integra en un espacio de trabajo persistente que impone coherencia temporal, espacial y lógica. En el punto de referencia de memoria episódica (EpBench) cite{huet_episodic_2025}, que comprende corpus que varían entre 100.000 y 1 millón de tokens de longitud, GSW supera las líneas de base existentes basadas en RAG en hasta un textbf{20%}. Además, GSW es altamente eficiente, ya que reduce los tokens de contexto en tiempo de consulta en un textbf{51%} en comparación con la siguiente línea base más eficiente en tokens, lo que reduce considerablemente los costos del tiempo de inferencia. En términos más generales, GSW ofrece un plan concreto para dotar a los LLM de una memoria episódica similar a la humana, allanando el camino para agentes más capaces que puedan razonar en horizontes largos.
Publicado originalmente en export.arxiv.org el 11 de noviembre de 2025.
Ver fuente original
