في عالم الذكاء الاصطناعي ونماذج اللغات الكبيرة (Large Language Models)، يظهر نظام AGORA كحل مبتكر ومثير يعالج تحديات ضغط البيانات بكفاءة. يتناول هذا النظام عملية ضغط البيانات عبر استخدام ما يعرف بـ "المراقبة المعتمدة على المحول" (Adapter-Grounded Observation) وتوجه "الاحتفاظ بالإجراء" (Action Retention)، مما يجعله مميزًا بين الحلول الحالية.

يتضح من دراسة بحثية تمّ تنفيذها إن أنظمة ضغط البيانات المعتمدة على المستويات التشفيرية (Token-level Extractive Compressors) ليست مناسبة لعملاء نماذج اللغات الكبيرة، حيث أظهرت الإحصاءات أن الأداء المتوسّط سقط إلى 75% مقارنةً بالأداء غير المضغوط، في 8 من أصل 9 حالات اختُبرت. استثنيت حالة واحدة حققت نسبة 73%، مما يُشير إلى وجود ثغرة بنيوية تعيق الأداء.

بفضل التحليل الذي تم إجراؤه، يُظهر البحث أن انقطاع أحد مكونات النظام كان له تأثير كبير على الأداء، حيث تمثل النسبة المثلى لمعدل الاحتفاظ عاملاً حاسمًا في زيادة الاداء. وبهذا يكون AGORA قد حقق ضغطاً يراوح ما بين 1.0 إلى 11.5 مرة باستخدام نسبة احتفاظ ثابتة.

هذا الابتكار يعد خطوة مهمة نحو تحسين كفاءة نماذج اللغات الكبيرة وجعلها أكثر قدرة على معالجة البيانات بطريقة ذكية وفعّالة.