Living Brain

Ce système améliore la mémoire et la précision, démontrant des performances supérieures lors de comparaisons internes. Par exemple, il a atteint 92,2 % de précision jugée sur LoCoMo à travers 1 540 questions et affiche un temps médian de récupération de mémoire de 464 ms. De plus, Living Brain réduit considérablement les coûts opérationnels et l'utilisation de jetons, utilisant 22,6 fois moins de jetons par question et atteignant un coût 95 % inférieur par tâche par rapport à une base de contexte complet. Il a également signalé 0 % d'hallucinations sur LongMemEval-S, soulignant sa fiabilité.

Living Brain s'intègre à des outils IA compatibles, permettant aux utilisateurs de garder leurs connaissances connectées et accessibles. Il prend également en charge les connexions à des MCP personnalisés (Fournisseurs de Mémoire et de Contexte), permettant aux agents d'élargir leurs capacités en se liant à des outils et des données propriétaires. La plateforme transforme automatiquement les informations en mémoire partagée et persistante, compilant des conversations, des fichiers et des mises à jour éparpillés en connaissances structurées et liées aux sources.

Pour la tarification, Living Brain propose un modèle API « Pay as you go » sans abonnement, facturant 8 $ par 1 M de jetons d'entrée du modèle et 0,50 $ par 1 M de jetons de sortie, avec un rechargement minimum de 5 $. Il inclut un projet, plusieurs cerveaux, 1 Go de stockage et 100 000 requêtes par mois. L'« Espace de travail Living Brain » est facturé mensuellement et comprend trois sièges d'équipe, un projet de production, 10 Go de stockage, 500 000 requêtes par mois et des crédits mensuels partagés. Pour les grandes organisations, un plan « Business » personnalisé est disponible, offrant un déploiement sur mesure, une capacité, un stockage, un emplacement des données et un support dédié.

Living Brain prend en charge deux voies complémentaires pour l'adaptation de l'IA : conserver les connaissances, les corrections et les décisions pour apporter un contexte pertinent dans les tâches futures sans changer les poids du modèle, et utiliser les connaissances accumulées comme base pour des flux de travail post-formation tels que le fine-tuning des modèles à poids ouverts. Cela permet aux modèles connectés de s'adapter à un travail spécifique au moment de l'inférence, même pour des modèles à poids fermés.