Apresentamos uma arquitetura sono-vigília para memória conversacional vitalícia em modelos de linguagem locais operando em hardware de consumidor. Durante a vigília, o sistema extrai fatos da conversa e os armazena no contexto. Durante o sono, consolida esses fatos nos pesos do modelo via fine-tuning LoRA utilizando dados de treinamento inspirados em repetição espaçada. Validamos em um modelo de 3B parâmetros (Llama-3.2-3B-Instruct-4bit) rodando em um MacBook Air M3 de 8GB, demonstrando que ciclos de sono produzem formação de memória mensurável com uma estreita janela viável de taxa de aprendizado (~1e-4) e um efeito de repetição espaçada onde ciclos de sono repetidos melhoram a recuperação. Isso estabelece a viabilidade básica da consolidação de memória sono-vigília em LLMs locais.
Vladimir Baranov (Sun,) estudou essa questão.