تتحكم الذاكرة طويلة الأمد في أداء نماذج اللغة الكبيرة (Large Language Models) وتضمن استمرارية الاتساق والشخصية في التفاعلات المطولة. في هذا السياق، توصل الباحثون إلى تطوير نظام جديد يسمى AutoViewMem، الذي يمثل تحولاً جذرياً في كيفية تنظيم واسترجاع المعلومات.

تختلف الأنظمة الحالية لتنظيم الذاكرة عن AutoViewMem، حيث تعتمد في معظمها على حبيبات ثابتة أو مخططات غير متغيرة، مما يجعلها تواجه صعوبات عندما تكون المعلومات المتنوعة متداخلة، مثل التفضيلات والأحداث والقيود. وبسبب هذه التداخلات، تصبح عملية الاسترجاع حساسة للغاية مع وجود ضوضاء، مما يؤدي إلى تصنيف ضعيف للأدلة ذات الصلة.

يقوم AutoViewMem، من خلال إطار عمل مدفوع بالبيانات، بتقسيم الذاكرة الحواريّة طويلة الأمد إلى وجهات نظر ذات حدود منخفضة، مما يجعل عملية الاسترجاع أكثر دقة وتركيزاً. يستخرج الإطار وجهات نظر محتملة من آثار التفاعل ويختار مجموعة من وجهات النظر التكميلية للمساعدة في توجيه عملية كتابة الذاكرة المستندة إلى الأدلة.

تعتبر التصميمات القائمة على هذا الإطار خطوة رائدة، حيث تنتج اشتقاقاً دقيقاً للمعلومات في وقت الكتابة بدلاً من وقت الاسترجاع، مما يسمح للبحث القياسي عن الشبهات بالتركيز على الأدلة المحددة دون الحاجة لطرق معقدة أو عمليات استرجاع متكررة. كما يتضمن الإطار تحسين الذاكرة من خلال الدمج غير المتصل لتعزيز الاتساق والكثافة.

أثبتت التجارب على معايير LoCoMo وPersonaMem بفضل استخدام الأسس Qwen3-8B وQwen3-14B أن AutoViewMem يعزز من دقة الإجابة على الأسئلة طويلة الأمد والشخصية مقارنة بأنظمة الذاكرة التقليدية، مع الحفاظ على بساطة عملية الاستدلال. إن هذا الابتكار قد يكون له تأثير كبير في تطوير نماذج الذكاء الاصطناعي وزيادة فعاليتها في مختلف التطبيقات.