Le dimos la memoria a la personalidad. Costó 31 puntos.
La idea más seductora que publicamos este año era falsa. Las cifras están más abajo.
Mnemosyne OS tiene una lente cognitiva: dieciséis arquetipos al estilo MBTI que cambias desde el raíl del chat. El asistente piensa entonces como un INTJ o un ENFP durante una pregunta. La implementación obvia vive en el prompt, como una línea de persona en el prompt de sistema. Fuimos más lejos, porque la versión más lejana sonaba demasiado bien:
Un arquetipo que mantiene sus opciones abiertas (ENFP) debería leer una porción más amplia y diversa de tu memoria que uno que converge (ISTJ).
Así que la lente también dirigía la capa de búsqueda. Cada arquetipo se proyectaba sobre un perfil de selección de memoria, con un peso de diversidad (λ del MMR) y una estrategia de selección. Las estrategias iban del top-k simple al MMR, hasta un muestreador de baja discrepancia que apodamos phyllotaxis. La personalidad cambiaría más que la voz del asistente. Cambiaría qué recuerdos lee el asistente.
Si construyes sistemas de memoria, has sentido la atracción de esta idea. Esto es lo que medimos.
La medición
Tomamos una porción de 61 preguntas de LongMemEval, cargada en una bóveda. La tarea es recuerdo factual sobre memoria conversacional de largo plazo. Los embeddings eran idénticos en todas las condiciones. La lente solo re-clasificaba y seleccionaba entre candidatos ya recuperados. Ejecutamos un control y varios perfiles de lente, y cada pasada corrió de verdad.
| Condición | Precisión |
|---|---|
| Sin lente (control) | 75,4 % |
| Perfiles convergentes (tipo ISTJ) | 75,4 %, veredictos idénticos |
| Divergencia máxima (λ=0,40 + baja discrepancia) | 44,3 % |
Menos 31,1 puntos. El análisis pareado pierde 21 aciertos del control y gana 2. El test de signos unilateral da p < 10⁻⁴. El resultado también refuta la dirección del diseño, no solo su magnitud. El perfil divergente debía brillar en las preguntas multi-sesión. Las hundió de 3/10 a 1/10. Hundió el razonamiento temporal de 9/10 a 2/10.
La ablación, dos palancas suaves, una catástrofe
| Configuración | Coste vs control |
|---|---|
| Solo el peso de diversidad (λ=0,40, MMR intacto) | −11,5 pts |
| Solo el muestreo de baja discrepancia (λ intacto) | −6,5 pts |
| Ambos juntos | −31,1 pts |
Cada palanca sola cuesta unos pocos puntos. Juntas cuestan 31. El efecto es superaditivo. Cada palanca diluye un poco la clasificación por relevancia. Las dos juntas pierden el recuerdo correcto.
Dos datos más. Una réplica completa del control reprodujo los 61 veredictos por pregunta exactamente. El ruido entre dos pasadas en esta máquina es cero, así que la brecha es real. Y un dato de diseño: nuestra proyección arquetipo→búsqueda derivaba de dos ejes binarios. Las dieciséis personalidades se reducían por tanto a cuatro comportamientos de memoria.
El bug que no vimos venir
El lado del estilo tenía su propia lección. Las líneas de tono no tocan la precisión. Pero nuestro vocabulario de personas estaba escrito en francés. Una línea de tono en francés dentro de un prompt en inglés se convirtió en una instrucción de idioma. Las condiciones con lente respondieron en francés a un benchmark en inglés en el 8 a 54 % de los casos, dijeran lo que dijeran las reglas de abajo. Un bloque de persona nunca es solo decoración. El modelo lo lee todo.
Lo que salió en su lugar
En la v1.3.6 la lente es un disfraz. Cambia una sola cosa, la voz: el tono, el ángulo, la manera. La búsqueda permanece exacta, hable quien hable. El mapa medido queda en el código como registro del porqué. Volver a acoplar la personalidad a la búsqueda exige ahora una guarda por tipo de tarea, medida primero.
La lección general: una personalidad en el prompt casi no cuesta nada. Una personalidad en la búsqueda cuesta precisión factual, y sabemos medirla. Si tu producto promete memoria, la memoria no puede depender del humor con el que vestiste al asistente.
Por qué publicar un resultado negativo
La afirmación «nuestra memoria es exacta» solo vale lo que puedas comprobar. La cifra principal de nuestra página de benchmark se publica con su kit de auditoría. Este experimento se publica con sus cifras, su hipótesis refutada y su bug. Mnemosyne OS es un OS de memoria local-first. Tienes que poder confiar en sus respuestas sobre tus documentos. Esa confianza se construye con mediciones, incluidas las que nos dijeron que no.
La lente cognitiva, edición disfraz, está disponible en Mnemosyne OS v1.3.6. La arquitectura del motor de memoria está descrita en el whitepaper Resonance Engine.