Comparé mi motor de memoria con mem0 y Zep — con honestidad

Es fácil decir "lo mío es mejor". Lo difícil es medirlo sin hacer trampa. Así que metí a Corvusmem en el ring con mem0 y Zep y monté un cara a cara en serio.

El montaje (donde vive la honestidad)

• Mismo corpus, mismas preguntas, mismas métricas para cada motor.
• El mismo juez para todos: Qwen3-8B corriendo en local hace de contestador y de evaluador. Ningún motor tiene un juez más fuerte que los demás — eso es lo que hace justa la comparación.
• Datasets públicos junto a mi propio corpus, para que no sea un campo a mi favor.

Y el matiz que pongo delante, no escondido: estos números NO son comparables con los leaderboards oficiales de mem0 o Zep, que usan GPT-4o. Un juez más fuerte mueve la nota de todos. Lo que esto mide es cómo se comporta cada memoria frente a las demás en condiciones idénticas — relativo, no absoluto.

Dos ejes, no uno

La precisión es solo la mitad. La otra mitad es lo que la memoria le cuesta a tu ventana de contexto — tokens inyectados por mensaje y por sesión. Una memoria un 2% más precisa que triplica tu factura de tokens en cada turno no es una victoria. La página de benchmarks dibuja ambos ejes para que juzgues tú el trade-off.

A propósito no pego aquí los porcentajes exactos — se mueven según afino el método, y prefiero que leas los números vivos y fechados que una foto que se pudre en un post.

Por qué un motor determinista puede aguantar el tipo

Corvusmem no tiene embeddings ni base vectorial — solo un recall determinista sobre hechos estructurados (sustitución fechada, enlace de dos saltos, claves agnósticas al idioma). La sorpresa para mucha gente es que para memoria de proyecto duradera — decisiones, reglas, stack, gotchas — con eso basta para competir en precisión y quedar mucho más barato en tokens, offline y gratis.

Míralo tú mismo

• Benchmarks en vivo: https://corvusmem.vercel.app/es/benchmarks
• Instalar: npx corvusmem install

Es nuevo y abierto (gratis para uso no comercial). Si le ves un agujero a la metodología, dímelo — un benchmark que no puedes picar no vale gran cosa.