في عالم الذكاء الاصطناعي، يعد تحسين الأداء أمراً هدفاً يسعى إليه المتخصصون والشركات على حد سواء. ولعل أبرز التطورات الأخيرة هو تطوير إطار عمل جديد يُعرف باسم AutoMem، يهدف إلى تحسين إدارة الذاكرة كمهارة قابلة للتعلم في نماذج اللغات الضخمة (Large Language Models - LLMs).

إدارة الذاكرة تعني معرفة متى يتم حفظ المعلومات، وكيف يتم تنظيمها واسترجاعها، وهي مهارة تُعرف في علم الإدراك بـ "ما وراء الذاكرة" (Metamemory). مع اقترابنا من تحقيق أهداف الأداء العالي، نقدم نهجاً مبتكراً يجعل إدارة الذاكرة تُعامل كمهارة قابلة للتعلم.

يتضمن الإطار عرض عمليات نظام الملفات كإجراءات ذاكرة من الدرجة الأولى، مما يسمح للنموذج نفسه بتحديد كيفية إدارة ذاكرته. نحن نركز على تحسين هيكل الذاكرة الذي يدعم النموذج وكفاءته في ممارستها. لكن التحدي يكمن في أن الأخطاء في الذاكرة قد تختفي لفترات طويلة قبل أن تكشف عن نفسها، مما يجعل المراجعة اليدوية صعبة ومرهقة.

يقدم AutoMem حلًا مبتكرًا من خلال تكرار التدريب الذاتي. في الدورة الأولى، يقوم نموذج قوي بمراجعة المسارات الكاملة لوكلاء الذكاء الاصطناعي ومن ثم ينقح الهيكل الذي يشكل كيفية تفاعله مع ذاكرته. في الدورة الثانية، يتم التعرف على قرارات الذاكرة الجيدة من العديد من الحلقات واستخدامها كإشارة تدريبية لتحسين كفاءة النموذج مباشرة.

تحت التجربة، شهدنا تحسين الأداء بمعدل يصل إلى 4 أضعاف في ثلاثة ألعاب طويلة المدى مُنتجة بشكل إجرائي مثل Crafter وMiniHack وNetHack، مما جعل نموذج وزنه 32 مليار منافسًا للأنظمة المتطورة مثل Claude Opus 4.5 وGemini 3.1 Pro Thinking. وهذا يؤكد أن إدارة الذاكرة هي مهارة يمكن تعلمها بشكل مستقل، وتستحق الاستثمار.