في ظل التطورات السريعة في الذكاء الاصطناعي، يبقى تصميم الذاكرة أحد التحديات المحورية التي تواجه نماذج اللغات الكبيرة (LLMs). هذه المشكلة تتعلق بكيفية تخزين واسترجاع المعلومات، وتختلف الحلول باختلاف المهام والنماذج الأساسية. ولهذا السبب، جاءت الدراسة الجديدة التي قدمت نظام 'AutoMem'، وهو إطار عمل مبتكر لتحسين بنية الذاكرة بشكل تلقائي.

يستند 'AutoMem' إلى نهج جديد يعتمد على تحسين بنية الذاكرة المتكيفة مع المهمات، حيث تم إنشاء مساحة بحث معقدة تتضمن خمسة مُرمزات (encoders) وخمسة مخازن (stores) وستة مسترجعين (retrievers) وأربعة مدراء (managers). أظهرت التجارب أن لا بنية ذاكرة واحدة تستطيع التفوق في جميع الظروف. بل على العكس، تختلف تفضيلات المهام ما يؤدي إلى فوارق كبيرة في الأداء.

يعمل 'AutoMem' من خلال مكونين رئيسيين: البحث المعماري المدعوم بالتجارب، الذي يقترح تصميمات مستندة إلى تجارب سابقة وتفكير مُجمع، وتشخيص الأخطاء المدعوم بالمكونات، الذي يحدد فشل الذاكرة في مكون معين ويحولها إلى تغذية راجعة نصية مركزة.

وقد أظهرت التجارب التي أجريت على نماذج مثل GAIA وWebWalkerQA وxBench-DeepSearch أن 'AutoMem' يتمكن من اكتشاف هياكل ذاكرة متكيِّفة مع المهام، متجاوزاً التصاميم البشرية الأكثر كفاءة بمتوسط زيادة قدرها 2.8 نقطة في الدقة. كما أظهر تحليل إضافي أن 'AutoMem' يحقق توازنًا مفضلًا بين الدقة والكفاءة، حيث يقلل من تكلفة الرموز بنسبة 14.3% مقارنة بأفضل الأسس المعتمدة على الدقة.