Stora språkmodell-lag står inför ett avgörande val: ska de växa genom att anställa fler medlemmar eller lära sig av tidigare erfarenheter? Ny forskning tyder på att det inte alltid är rätt väg att bara rekrytera fler agenter, särskilt när budgeten är stram. Forskare har utvecklat LLMA-Mem, ett ramverk som lär multi-agentsystem att lagra och återanvända kunskap över tid, vilket effektivt gör att deras historia blir en konkurrensfördel. Studien avslöjar en överraskande vändning i hur dessa lag presterar: att utöka lagets storlek garanterar inte bättre resultat på långa uppgifter. Faktum är att mindre grupper utrustade med smart minne ofta överträffar större, eftersom de kan effektivt återanvända tidigare lösningar istället för att slösa resurser på redundant arbete. Denna upptäckt flyttar fokus från rå skalning till smartare design och bevisar att ett välstrukturerat minnesystem är nyckeln till att bygga effektiva, högt presterande AI-lag som blir bättre utan nödvändigtvis att bli större. Källa: Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems av Shanglin Wu, Yuyang Luo, Yueqing Liang, Kaiwen Shi, Yanfang Ye et al., https://arxiv.org/abs/2604.03295