MemPalace क्या है? मिला जोवोविच का एआई मेमोरी सिस्टम जिसने LongMemEval पर 100% स्कोर हासिल किया

मुख्य तथ्य

• MemPalace एक मुफ़्त, खुला-स्रोत एजेंटिक मेमोरी सिस्टम है जो AI मॉडल्स को प्राचीन स्थान-विधि से प्रेरित मेमोरी पैलेस आर्किटेक्चर का उपयोग करके स्थायी, संरचित और हानि-रहित दीर्घकालिक स्मृति प्रदान करता है।
• अभिनेत्री मिला जोवोविच और इंजीनियर बेन सिगमैन द्वारा विकसित, यह उद्योग-मानक LongMemEval बेंचमार्क पर 100% हाइब्रिड स्कोर और उच्चतम कच्चे परिणाम प्राप्त करता है।
• पूरी तरह से लोकल और ऑफ़लाइन-फर्स्ट: आपकी मशीन पर ChromaDB, SQLite और फाइलसिस्टम के साथ चलता है—कोई क्लाउड नहीं, कोई API लागत नहीं, कोई डेटा बाहरी रूप से नहीं भेजा जाता।
• सभी सामग्री को पूरी तरह पठनीय रखते हुए 30x तक दक्षता के लिए AAAK हानि-रहित संपीड़न के साथ पदानुक्रमित संगठन (विंग्स, कमरे, हॉल, सुरंगें, अलमारियाँ, दराज़) का उपयोग करता है।
• बेंचमार्क विश्लेषण से पता चलता है कि यह Mem0, Zep और अन्य जैसे भुगतान टूल्स को याद सटीकता और लागत में पछाड़ता है।
• समुदाय और प्रारंभिक उपयोगकर्ता प्रतिक्रिया AI "भूलने की बीमारी" का सामना करने वाले डेवलपर्स, टीमों और स्थानीय LLM उपयोगकर्ताओं के लिए इसकी प्रभावशीलता पर प्रकाश डालती है।

MemPalace क्या है?

MemPalace एक अभिनव AI मेमोरी सिस्टम है जिसे बड़े भाषा मॉडल्स के संदर्भ विंडो रीसेट होने पर पिछली बातचीत, निर्णयों और प्रोजेक्ट विवरणों को भूलने की सतत समस्या को हल करने के लिए डिज़ाइन किया गया है। हानिपूर्ण सारांशीकरण या महंगी क्लाउड संग्रहण पर भरोसा करने के बजाय, यह एक संरचित वर्चुअल मेमोरी पैलेस बनाता है जहाँ हर जानकारी शब्दशः संग्रहीत होती है और तुरंत पुनः प्राप्त की जा सकती है।

अप्रैल 2026 की शुरुआत में लॉन्च हुआ, यह प्रोजेक्ट पूरी तरह से खुला-pस्रोत है और GitHub पर रिपोजिटरी milla-jovovich/mempalace के अंतर्गत उपलब्ध है। यह शास्त्रीय मेमोरी पैलेस (स्थान-विधि) तकनीक से सीधी प्रेरणा लेता है, स्थानिक संगठन सिद्धांतों को डिजिटल ज्ञान प्रबंधन के लिए अनुकूलित करता है।

बेंचमार्क्स इंगित करते हैं कि MemPalace, LongMemEval पर प्रकाशित उच्चतम स्कोर प्रदान करता है, जिससे यह लंबे समय तक चलने वाले AI एजेंट और एप्लिकेशन बनाने या उपयोग करने वाले किसी के लिए भी एक उत्कृष्ट समाधान बन जाता है।

उत्पत्ति और प्रेरणा

सावधानीपूर्वक फ़ाइलिंग के बावजूद AI टूल्स द्वारा महत्वपूर्ण विवरण खो देने की निराशा का अनुभव करने के बाद मिला जोवोविच ने मूल आर्किटेक्चर विकसित किया। प्राचीन ग्रीक वक्ताओं और आधुनिक मेमोरी चैंपियन के ऐतिहासिक विवरणों से प्रेरणा लेते हुए, जो विशाल मात्रा में जानकारी याद करने के लिए स्थानिक स्मृति तकनीकों का उपयोग करते हैं, उन्होंने AI के लिए एक "वर्चुअल मेमोरी पैलेस" की कल्पना की।

तकनीकी सह-संस्थापक बेन सिगमैन के साथ सहयोग करते हुए, टीम ने एक सिस्टम बनाया जो डेटा को परिचित स्थानिक रूपकों में व्यवस्थित करता है: प्रोजेक्ट या लोगों के लिए अलग विंग्स, विषयों के लिए कमरे, निर्णय प्रकारों के लिए हॉल, और भी बहुत कुछ। यह दृष्टिकोण मस्तिष्क की स्थानिक नेविगेशन में प्राकृतिक शक्ति का लाभ उठाता है, साथ ही AI पुनर्प्राप्ति के लिए एक व्यावहारिक ढांचा प्रदान करता है।

परिणाम एक ऐसा सिस्टम है जो सारांशीकरण हानि के बिना सब कुछ संग्रहीत करता है, जिससे पुनर्प्राप्ति केवल कीवर्ड या सपाट वेक्टर खोज की तुलना में अधिक सहज और सटीक हो जाती है।

MemPalace कैसे काम करता है

MemPalace एक मल्टी-लेयर मेमोरी स्टैक में हायरार्किकल स्पेशियल स्ट्रक्चरिंग, सिमेंटिक सर्च और एफिशिएंट कम्प्रेशन को जोड़ता है:

• माइनिंग फेज: स्वचालित रूप से चैट्स, कोड प्रोजेक्ट्स, Slack इतिहास, या अन्य डेटा स्रोतों को इंगेस्ट करता है और उन्हें पैलेस संरचना में वर्गीकृत करता है।
• AAAK कम्प्रेशन: एक कस्टम लॉसलेस फॉर्मेट टोकन संख्या को नाटकीय रूप से कम करता है (उदाहरण के लिए, 1,000 टोकन लगभग 120 तक) जबकि मनुष्यों और किसी भी LLM द्वारा पूरी तरह से पठनीय बना रहता है — किसी विशेष डिकोडर की आवश्यकता नहीं।
• पैलेस आर्किटेक्चर:
  • विंग्स: उच्च-स्तरीय श्रेणियाँ (प्रोजेक्ट्स, लोग)
  • रूम्स: विशिष्ट विषय या संवाद
  • हॉल्स: तथ्य या घटना प्रकार (निर्णय, घटनाएँ)
  • टनल्स: तत्वों के बीच क्रॉस-रेफरेंस
  • क्लोज़ेट्स/ड्रॉअर्स: संपीड़ित सारांश और मूल वर्बेटिम फाइलें
• स्टोरेज और रिट्रीवल: वेक्टर एम्बेडिंग्स के लिए ChromaDB, टेम्पोरल नॉलेज ग्राफ (तथ्यों के लिए वैधता विंडोज़ के साथ) के लिए SQLite और रॉ डेटा के लिए लोकल फाइलसिस्टम का उपयोग करता है। रिट्रीवल सटीकता के लिए हायरार्किकल फिल्टरिंग लागू करता है।
• एकीकरण: Claude या ChatGPT के साथ सहज उपयोग के लिए MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) का समर्थन करता है, साथ ही Ollama जैसे स्थानीय मॉडल के लिए सीधे Python/CLI एक्सेस।

यह डिजाइन शून्य डेटा हानि सुनिश्चित करता है और सिमेंटिक तथा संरचित दोनों प्रकार के क्वेरी को सक्षम करता है।

मुख्य विशेषताएँ और तकनीकी विवरण

• लॉसलेस और कुशल: 30x तक कम्प्रेशन; पूर्ण इतिहास छोटी वेक-अप कॉन्टेक्स्ट में फिट होते हैं।
• हायरार्किकल फिल्टरिंग: महत्वपूर्ण रिट्रीवल सुधार प्रदान करता है (बेंचमार्क विंग + रूम फिल्टरिंग से लाभ दिखाते हैं)।
• टेम्पोरल नॉलेज ग्राफ: समय के साथ इकाई संबंधों और परिवर्तनों को ट्रैक करता है, ऐतिहासिक और विरोधाभास-जागरूक क्वेरी का समर्थन करता है।
• ऑफ़लाइन-vफर्स्ट: एक निर्भरता; पूरी तरह से स्थानीय रूप से चलता है, बार-बार होने वाली लागतों के बिना।
• MCP टूल्स: एजेंटों के लिए निर्मित टूल्स जिनमें खोज, ग्राफ क्वेरी और अधिक शामिल हैं।
• विशेषज्ञ समर्थन: टीमों या जटिल परियोजनाओं के लिए डोमेन-Pविशिष्ट विंग्स और स्वचालित-सहेजने की क्षमता।

बेंचमार्क और प्रदर्शन

MemPalace प्रकाशित परिणामों के अनुसार एक नया मानक स्थापित करता है:

• LongMemEval: प्रकाशित उच्चतम कच्चा स्कोर और हाइब्रिड मोड में 100%।
• यह कई वाणिज्यिक मेमोरी सिस्टम से बेहतर प्रदर्शन करता है, जबकि पूरी तरह से मुफ़्त और स्थानीय बना रहता है।

तुलना सटीकता, गोपनीयता और लागत में API कॉल या सदस्यता की आवश्यकता वाले टूल्स पर स्पष्ट लाभ दिखाती है। हायरार्किकल दृष्टिकोण केवल रॉ एम्बेडिंग्स से परे सटीकता में मापने योग्य योगदान देता है।

MemPalace के साथ शुरुआत करना

CLI के माध्यम से स्थापना और बुनियादी उपयोग सीधे हैं:

pip install mempalace
mempalace init ~/my-palace
mempalace mine ~/projects --mode projects
mempalace mine ~/chats --mode convos
mempalace search "decision details"
mempalace status

Claude एकीकरण के लिए, MCP सर्वर जोड़ें। स्थानीय LLM उपयोगकर्ता वेक-अप कॉन्टेक्स्ट सीधे जेनरेट कर सकते हैं। रिपॉजिटरी पूर्ण प्रलेखन और उदाहरण प्रदान करती है।

उन्नत युक्तियाँ और उपयोग मामले

• टीम मेमोरी: साझा संचार इतिहास को समर्पित विंग्स में खनन करें, सुसंगत संगठनात्मक स्मृति के लिए।
• कस्टम कॉन्फ़िगरेशन: स्वचालित वर्गीकरण के लिए रिपॉजिटरी या व्यक्तियों के लिए विंग मैपिंग समायोजित करें।
• ज्ञान ग्राफ़ क्वेरीज़: समयरेखा-सजग सूचना पुनर्प्राप्ति के लिए टेम्पोरल क्वेरीज़ का लाभ उठाएं।
• विशाल स्केल: प्रदर्शन ह्रास के बिना लाखों टोकन को कुशलतापूर्वक संभालता है।
• हाइब्रिड वर्कफ़्लो: अत्यंत कम चल रही लागत के लिए स्थानीय मॉडल्स के साथ संयोजित करें।

दीर्घकालिक एजेंट बनाने वाले डेवलपर्स और जटिल परियोजनाओं का प्रबंधन करने वाली टीमें संरचित, खोज योग्य मेमोरी से सबसे अधिक लाभान्वित होती हैं।

सामान्य खामियाँ और समाधान

• प्रारंभिक इंडेक्सिंग समय: बड़े डेटासेट खनन में समय लेते हैं—लक्षित फ़ोल्डर्स से शुरू करें।
• पुनर्प्राप्ति सटीकता: इष्टतम परिणामों के लिए कच्ची खोज के बजाय पदानुक्रमित फ़िल्टर पर भरोसा करें।
• AAAK परिचितता: हालांकि मॉडल तुरंत अनुकूलन करते हैं, आवश्यक होने पर मानव उपयोगकर्ताओं के लिए संक्षिप्त प्राइमर शामिल करें।
• तथ्य अपडेट: पुरानी सूचना परोसने से बचने के लिए ग्राफ़ में वैधता विंडो बनाए रखें।

सिस्टम उन उपयोगकर्ताओं के लिए भी मजबूत है जिनके पास मजबूत विज़ुअलाइज़ेशन कौशल नहीं हैं, क्योंकि पुनर्प्राप्ति डेटाबेसd-ड्रिवेन है।

निष्कर्ष

MemPalace प्राचीन स्थानिक स्मृति सिद्धांतों को आधुनिक स्थानीय-प्रथम प्रौद्योगिकी के साथ जोड़कर AI मेमोरी प्रबंधन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। यह अतुलनीय स्मरण सटीकता, पूर्ण गोपनीयता और शून्य चल रही लागत प्रदान करता है।

आधिकारिक GitHub रिपॉजिटरी github.com/milla-jovovich/mempalace पर आज ही परियोजना का अन्वेषण करें। MemPalace स्थापित करें, अपना पहला आभासी महल बनाएं, और अपने AI को वह स्थायी स्मृति दें जिसकी उसे लंबे समय से आवश्यकता थी। विश्वसनीय, निजी AI संदर्भ का भविष्य यहीं से शुरू होता है।