Her model unutur — ayrım gözetmeden.
Compresh seçerek unutur.
Bağlamı yeniden kur, yeniden gönderme. Modele yalnızca geçmiş değil, bellek ver.
Vaat değil, sayılar
~66% daha az girdi token'ı. Ölçülebilir kalite kaybı yok.
Gerçek dünyadan 360 soru-cevap maddesi (herkese açık StackExchange başlıklarından) üzerinde ölçüldü; bunlar sentetik diyalog değil, tek ve giderek büyüyen bir oturum olarak yeniden oynatıldı. Bunların 108 tanesi, hatırlamayı sınamak için önceki turlara geri atıfta bulunuyor. Tam geçmişi (raw), Compresh'in açık kaynak sıkıştırma çekirdeğiyle (tulbase) karşılaştırdık.
Sıkıştırmanın ötesinde, ücretli bellek katmanı (TUL 2.0) ayrıca T-bench üzerinde — epizodik bellek için bir benchmark — ölçülüyor. Yalnızca ölçtüğümüzü yayımlıyoruz: aşağıdaki özete ve tulv.ing'deki tam rapora bakın.
| Metrik | raw | tulbase |
|---|---|---|
| Girdi token'ları (toplam) | 40,881,263 | 13,880,456 |
| raw'a göre token tasarrufu | — | 66.0% |
| Çıktı token'ları (toplam) | 378,927 | 372,899 |
| Referans değere göre eşdeğerlik (doğruluk) | 90.0% | 87.5% |
| Referans değere göre kosinüs (0–1) | 0.670 | 0.667 |
Sayılar ne anlama geliyor
Doğruluk — bağımsız bir yargıç modelin, insan tarafından kabul edilen StackExchange yanıtıyla anlamca eşdeğer saydığı yanıtların oranı.
Kosinüs — yanıt ile kabul edilen yanıt arasındaki anlamsal gömme (embedding) benzerliği (0–1; yüksek olması daha yakın demektir).
Token tasarrufu — her turda tam ve sıkıştırılmamış geçmişi göndermeye kıyasla girdi token'larındaki azalma.
Çıktı token'ları üçünde de sabit kalıyor — sıkıştırma yanıta şişkinlik eklemiyor.
Bağlılık — sıkıştırma yanıtı nadiren değiştiriyor: tulbase, raw'ın kosinüsünü yakalıyor (0.667'ye karşı 0.670) ve eşdeğerlikte ~2.5 puan içinde kalıyor (%87.5'e karşı %90.0), üstelik %66 daha az girdi token'ıyla.
Test edilen model: GPT-5-mini. Yargıç: her yanıt ayrı bir model (Groq üzerinden Llama 3.3 70B) tarafından notlandı; kosinüs, cümle gömme benzerliğini kullanır (all-MiniLM-L6-v2). Üç koşumda da aynı sorular ve aynı sistem komutu kullanıldı.
Epizodik bellek, ölçülmüş hâliyle
Modeliniz ne kadar zayıfsa, bellek katmanı o kadar önem kazanır.
Üç cevaplayıcı modelde, aynı retrieval model zayıfladıkça daha çok işe yarıyor. Güçlü modelde tam-bağlam kalitesini ~%99 daha az token'la yakalıyor; küçük açık modellerde doğruluğu belirgin biçimde yükseltiyor — en ucuzunda ise ham geçmiş bağlama hiç sığmıyor, yani konuşmayı çalıştırmanın tek yolu retrieval.
| Cevaplayıcı model | raw | tulngin | Retrieval kazancı |
|---|---|---|---|
| gpt-5-mini · güçlü | 95.5% | 98.8% | +3.3pp |
| Qwen-2.5-7B · küçük / açık | — | 83.2% | yalnızca retrieval ile mümkün |
| Llama-3.1-8B · küçük / açık | 60.2% | 82.0% | +21.8pp |
tulngin = tulbase + TUL 2.0 (canlı; TUL 2.1 yolda). Güçlü modelde probe başına girdi token'ı: 31.947 → 275 (−%99.1). Qwen raw: uzun geçmiş modelin 32k bağlamını aşıyor, sağlayıcı isteği reddediyor; retrieval (~280 token) sığıyor.
Aynı deterministik, pre-registered benchmark — ve kendi sistemlerimizin yalnızca kazandığı yeri değil, çuvalladığı yeri de yayımlıyoruz.
T-bench v1.1 · 976 probe · gpt-5-mini, Qwen-2.5-7B, Llama-3.1-8B · açık dataset + harness (CC BY-SA, atıfla). Yayınlanan setten yeniden üretilebilir.
Uçtan uca epizodik hatırlama
Tam bağlam kadar hatırlama — token'ın küçük bir kısmıyla.
EpBench, bağımsız ve yayınlanmış bir epizodik bellek benchmark'ı (Tulving'in hatırlama modeli): uzun, üretilmiş bir kitap üzerinden ipuçlu sorular. Aynı yanıtlayıcı (gpt-5-mini) ve aynı hakemle — ve benchmark'ın kendi puanlamasıyla — Compresh, tüm 196 bölümlük (~103k token) kitabı okumadan, soruya-özel bir dilimle yanıtlayıp tam bağlam hatırlamasını geçiyor.
| Yöntem · gpt-5-mini | Simple Recall | Okunan bağlam |
|---|---|---|
| raw / tam bağlam | 0.804 | 196 bölüm |
| naive RAG · bölüm | 0.796 | 17 bölüm |
| Compresh · TUL 2.0 | 0.828 | soruya-özel |
Bağımsız yayınlanmış benchmark (EpBench, 200-olaylı kitap), benchmark'ın kendi yöntemiyle puanlandı. Üç kolda da aynı yanıtlayıcı (gpt-5-mini) ve hakem (OpenRouter gpt-4o); makalenin kendi hakemi raw'ı 0.830 veriyor — ~2 puan içinde. Compresh, Simple Recall'da önde — farkı çok-olaylı sorularda açılıyor — ve bunu kitabın tamamını değil soruya-özel bir dilimi okuyarak yapıyor. Kronolojik sıralamada naive RAG önde (0.65'e 0.44); tam bin-bazlı + kronolojik döküm benchmark repo'sunda.
Holds up as the conversation grows
T-bench v1.1 · gpt-5-miniSame answerer, three conversation lengths. As history piles up, raw re-sends everything — tokens explode and accuracy slips. Compresh sends a query-aware slice: flat tokens, accuracy held.
Each benchmark reports its own correctness metric — EpBench's Simple Recall, T-bench's answer accuracy. Different names, same question: did the model get the answer right?
Token saving = Compresh vs raw input tokens; accuracy = correct answers over 976 probes. Source: T-bench v1.1, gpt-5-mini — reproducible from results/compresh/v1.1.
Compresh, bellek yaklaşımları arasında nereye oturuyor
Bu yaklaşımlar, hedefledikleri işte güçlü. Compresh farklı bir eksene odaklanıyor.
| Yaklaşım | En iyi olduğu | Konuşma derinleştikçe |
|---|---|---|
| Geri-getirme tabanlı bellek | Büyük depolardan ilgili gerçekleri çekmekte mükemmel. | Benzerliğe göre eşleşen parçaları getirir. |
| Uzun bağlam pencereleri | Tüm konuşma sığdığında ve maliyet kısıt olmadığında mükemmel. | Tüm geçmişi tutar — maliyet her turda büyür. |
| Özetleme tamponları | Basit süreklilikte güncel bir özü korumak için iyi. | Ayrıntıyı dönen bir özetle değiştirir. |
| Compresh | Derinleşen konuşmalar için episodik yeniden inşa — token maliyetinin tur tur biriktiği yerde. | Önemli olanı yeniden inşa eder — tasarruf derinlikle birlikte büyür. |
Compresh'i ücretsiz dene
Entegrasyon tek satır — base URL'ini değiştir, geri kalan her şeyi olduğu gibi bırak. Tasarrufu kendi uzun konuşmalarında saatler içinde göreceksin.
Neredeyiz
Compresh'in üç birincil hedef kitlesi var. Her biriyle farklı aşamadayız.
Agent ve chatbot geliştiricileri için
Kullanıcılarla uzun, çok turlu konuşmalar sürdüren araçlar geliştiriyorsanız — agent'lar, copilot'lar, müşteri hizmetleri botları — Compresh üretime hazır. base_url'inizi değiştirin, konuşmalarınız otomatik olarak sıkıştırılsın. Derin konuşmalarda saatler içinde anlamlı token tasarrufu göreceksiniz.
Sizden istediğimiz: gerçek iş yükleri. Compresh sentetik benchmark'lardan değil, production trafiğinden en hızlı öğreniyor.
Bizi bağlayın →RAG geliştiricileri için
Episodik hafıza ve retrieval-augmented generation ortak bir soruyu paylaşıyor: neyin ilgili olduğunu nasıl seçersiniz? Compresh'in tag tabanlı yaklaşımı bazı iş akışlarında RAG'ı tamamlar, bazılarında parçalarını ikame eder. İlk sinyaller güçlü.
Ölçekli retrieval üzerinde çalışıyorsanız, kesişimi birlikte test edelim.
Kesişimi test edin →AI'ı dahili kullanan ekipler için
Çalışanlarınız ChatGPT, Claude veya herhangi bir LLM API'sini günlük işlerinde kullanıyorsa, Compresh önüne yerleşir. Geliştirici başına tek bir base_url değişikliği, IT için tek bir master account. Sıkıştırılmış konuşmalar, paylaşılan system-prompt tasarrufu, çalışan başına kullanım analitiği — kimsenin çalışma şekline dokunmadan.
Sizden istediğimiz: ekip büyüklüğü, birincil kullanım senaryoları, uyumluluk gereksinimleri.
Ekip fiyatlandırması için iletişime geçin →Büyük ve tekrar eden sistem komutlarıyla platform ölçeğinde mi çalışıyorsunuz? Bu, sonraya bırakılacak bir konu — bize ulaşın, uygun çözümü birlikte bulalım.
Entegrasyon
Compresh iki yolla devreye girer. Ortamınıza uygun olanı seçin — aynı sıkıştırma motoru çalışır, sadece gizlilik tercihi değişir.
Drop-in proxy
base_url'i Compresh olarak değiştirin. İstemciyi siz kontrol ediyorsanız çalışır — OpenAI/Anthropic SDK, ham HTTP veya API base URL ayarı olan IDE'ler.
- → Anthropic / OpenAI Python veya JS SDK
- → Cursor, Aider, LangChain, Claude Code
- → Provider anahtarınız Compresh'ten geçer
Hook / MCP
Ajan platformunuza bir hook kurun. Provider anahtarınız makinanızdan çıkmaz — Compresh yalnızca hook'unuzun verdiği transcript parçasını görür.
- → OpenClaw hook (live) · Claude Code hook (next)
- → Compresh-MCP lokal çalışır
- → Provider anahtarınız sizde kalır
Works with your stack, not instead of it. RAG brings in your docs, memory layers track who the user is, caching cuts repeat costs — Compresh handles the conversation itself. Drop it in front; the rest keep working.
Açık kaynak
Protokol açık, uygulama farklılaşmış.
TCCP — Tag Cloud Context Protocol
Konuşma kimliği ve sıkıştırma sinyalleri için wire format ve kurallar. Herkes TCCP uyumlu bir proxy veya SDK geliştirebilir.
github.com/compreshSıkıştırma motoru
Episodik bellek mimarisi — tura bağlı sınıflandırma ve aşamalı, puanlanan sıkıştırma. Etiketleme dahili bir süreçtir: model etiketleri hiçbir zaman görmez, yalnızca onların ürettiği yeniden inşa edilmiş bağlamı alır. Patent başvurusu yapıldı (TR).
Açık standartlar böyle işler — protokol özgürdür, en iyi uygulama yarışır. Biz teşvikimizin işaret ettiği yönde kazanırız: yalnızca siz tasarruf ettikçe.