Ein zweiter Agent, der nur erinnert – und meistens schweigt: Metas Memory-Agent hebt Terminal-Bench um 8,3 Punkte
Acht Forschende von Meta AI beschreiben in einem Preprint vom 9. Juli 2026 ein Fehlermuster, das sie „behavioral state decay“ nennen: In langen Aufgaben rutschen Anforderungen, Umgebungsfakten, gescheiterte Versuche und offene Teilziele so weit im Kontextfenster nach hinten, dass sie die nächste Entscheidung nicht mehr beeinflussen. Ihr Gegenmittel ist kein größerer Kontext, sondern ein zweiter Agent, der neben dem unveränderten Handlungs-Agenten mitläuft, eine strukturierte Gedächtnisbank pflegt und bei jedem Schritt entscheidet, ob er eine Erinnerung einspielt oder schweigt. Auf Terminal-Bench 2.0 steigt Claude Sonnet 4.5 damit von 37,6 auf 45,9 Prozent (+8,3 Punkte), auf τ²-Bench von 55,0 auf 61,8 Prozent (+6,8). Beim stärkeren Claude Opus 4.6 fällt der Gewinn auf +2,4 beziehungsweise +2,5 Punkte. Code und Gewichte stehen unter Apache 2.0.
Der Aufbau ist bewusst anspruchslos gehalten, weil er sich an bestehende Systeme anhängen können soll: Der Handlungs-Agent bleibt unverändert, der Gedächtnis-Agent läuft daneben und wird laut Paper „at the first step and then at every subsequent step“ aufgerufen. Er liest die jüngste Trajektorie, aktualisiert daraus eine Gedächtnisbank aus drei Teilen – Status (privat geführter Zustand), Knowledge (stabile Fakten über die Umgebung) und Procedural (was schon versucht wurde und wie es ausging) – und entscheidet dann zwischen einer Kontext-Einspielung und keinem Eingriff. Die Autoren beschreiben das ausdrücklich als Gegenentwurf zu passivem Abruf: Gedächtnis als aktives Eingriffsinstrument statt als Nachschlagewerk.
Die Messwerte im Einzelnen. Terminal-Bench 2.0 wird über 85 gepaarte Aufgaben ausgewertet – von 89 abzüglich vier Docker-Fehlläufen, für die kein gültiger Vergleich zustande kam: Claude Sonnet 4.5 steigt von 37,6 auf 45,9 Prozent, Claude Opus 4.6 von 43,5 auf ebenfalls 45,9 Prozent. Der schwächere Agent holt den stärkeren also exakt ein. Auf τ²-Bench (278 Aufgaben in drei Bereichen) verbessert sich Sonnet 4.5 bei Airline von 68,0 auf 78,0, bei Retail von 49,1 auf 58,8 und bei Telecom von 55,3 auf 57,9 Prozent, aufgabengewichtet von 55,0 auf 61,8. Opus 4.6 kommt dort von 66,2 auf 68,7 Prozent, wobei der Airline-Teil unverändert bei 76,0 bleibt und der Zuwachs allein aus Retail (64,9 auf 69,3) und Telecom (63,2 auf 64,9) stammt.
Der zweite Teil der Arbeit zielt auf offene Gewichte für die Gedächtnis-Rolle: Die Autoren trainieren Qwen3.5-27B auf SETA – einer Sammlung ausführbarer Terminal-Agenten-Aufgaben mit Verifier-Belohnung – zunächst per überwachtem Feintuning, dann mit GRPO, und erreichen 0,734 mittlere Belohnung auf der SETA-Validierung. Der Übertrag auf Terminal-Bench gelingt teilweise: Mit dem trainierten Gedächtnis-Modell steigt der eingefrorene Handlungs-Agent von 37,6 auf 41,1 Prozent – also +3,5 statt der +8,3 Punkte, die das Frontier-Modell in derselben Rolle erreicht. Als ersten Schritt in Richtung quelloffener Gedächtnis-Politiken bezeichnen die Autoren das selbst.
Zur Beleglage: Titel, Autorenschaft, Abstract, Tabellenwerte und Ablationen haben wir in der HTML-Fassung des Preprints selbst geprüft; die Zugehörigkeit zu Meta ist über die im Papier angegebenen Kontaktadressen (@meta.com) belegt. Das zugehörige Repository existiert und steht unter Apache 2.0. Die deutschsprachige Rezeption rundet die Werte (38 auf 46 Prozent beziehungsweise 55 auf 62); wir führen die Zahlen des Papiers. Was fehlt, ist der teure Teil: Der Ansatz kostet einen zweiten Modellaufruf bei jedem Schritt, und weder das Paper noch die Rezeption beziffert, was das an Tokens oder Laufzeit hinzufügt – bei einem Verfahren, das mit Effizienz gegen längere Kontexte antritt, ist das die entscheidende offene Zahl.