Mem-I wurde im September 2025 von einem Forschungsteam von Anuttacon, der University of California, San Diego, und der Stanford University vorgeschlagen. Die zugehörigen Forschungsergebnisse wurden in einer wissenschaftlichen Arbeit veröffentlicht. Mem-α: Lernen des Aufbaus von Gedächtnisinhalten durch bestärkendes Lernen .

Mem-I ist ein Reinforcement-Learning-Framework, das Agenten trainiert, komplexe Speichersysteme durch Interaktion und Feedback effektiv zu verwalten. Im Gegensatz zu bestehenden Methoden ermöglicht dieses Framework Agenten, Strategien zum Aufbau von Speicher für komplexe, mehrkomponentige Speicherarchitekturen zu erlernen. Zunächst formulieren die Forscher den Speicheraufbauprozess als sequenzielles Entscheidungsproblem. Der Agent verarbeitet Informationsblöcke, entscheidet, welche Speicheroperationen durchgeführt werden, und erhält basierend auf der Genauigkeit der nachfolgenden Fragen und Antworten im Verlauf der Interaktion mehrere Belohnungen. Anschließend wird ein spezialisierter Trainingsdatensatz erstellt, der verschiedene mehrstufige Interaktionsmuster abdeckt, darunter Dialoge, Dokumentenaustausch, Mustererkennung und Storytelling. Dieser Datensatz wird mit umfassenden Bewertungsfragen kombiniert, deren korrekte Beantwortung den Zugriff auf das gesamte Gedächtnis erfordert.