Living Brain

Este sistema mejora la memoria y la precisión, demostrando un rendimiento superior en comparaciones internas. Por ejemplo, logró una precisión juzgada del 92.2% en LoCoMo a través de 1,540 preguntas y cuenta con un tiempo medio de recuperación de memoria de 464 ms. Además, Living Brain reduce significativamente los costos operativos y el uso de tokens, utilizando 22.6 veces menos tokens por pregunta y logrando un costo un 95% más bajo por tarea en comparación con una línea base de contexto completo. También reportó un 0% de alucinaciones en LongMemEval-S, destacando su fiabilidad.

Living Brain se integra con herramientas de IA compatibles, permitiendo a los usuarios mantener su conocimiento conectado y accesible. También admite conexiones a MCPs personalizados (Proveedores de Memoria y Contexto), lo que permite a los agentes expandir sus capacidades al vincularse a herramientas y datos propietarios. La plataforma transforma automáticamente la información en memoria compartida y persistente, compilando conversaciones, archivos y actualizaciones dispersas en conocimiento estructurado y vinculado a fuentes.

En cuanto a precios, Living Brain ofrece un modelo de API «Paga según uses» sin suscripción, cobrando $8 por cada 1M de tokens de entrada del modelo y $0.50 por cada 1M de tokens de salida, con una recarga mínima de $5. Incluye un proyecto, múltiples cerebros, 1 GB de almacenamiento y 100,000 solicitudes por mes. El «Espacio de Trabajo Living Brain» se factura mensualmente e incluye tres asientos para el equipo, un proyecto de producción, 10 GB de almacenamiento, 500,000 solicitudes por mes y créditos mensuales compartidos. Para organizaciones más grandes, está disponible un plan personalizado «Business», que ofrece implementación a medida, capacidad, almacenamiento, ubicación de datos y soporte dedicado.

Living Brain admite dos caminos complementarios para la adaptación de IA: retener conocimiento, correcciones y decisiones para aportar contexto relevante a futuras tareas sin cambiar los pesos del modelo, y utilizar el conocimiento acumulado como base para flujos de trabajo posteriores al entrenamiento, como el ajuste fino de modelos de pesos abiertos. Esto permite que los modelos conectados se adapten a trabajos específicos en el momento de la inferencia, incluso para modelos de pesos cerrados.