في عالم الذكاء الاصطناعي، يمثل تطوير وكلاء متعددين الحواس (Multimodal Agents) تحدياً حقيقياً عند التعامل مع تدفقات الملاحظات المتزايدة، خاصةً تحت قيود الميزانية المحدودة لكل قرار. يقدم البحث الجديد إطار عمل مبتكراً يسعى إلى تصحيح هذا الأمر من خلال صياغة قيود عبر أربع حواجز موارد رئيسية: جدار شانون الإدراكي (Perceptual Shannon Wall) لجعل الحالة محدودة، جدار الأفق (Horizon Wall) لاختيار الإطارات بشكل مستقل عن الاستعلام، جدار الدور (Round Wall) للاسترجاع غير التكيفي، و جدار التركيب الشرطي (Conditional Composition Wall) للاستنتاج بعمق ثابت.

يدعو الباحثون إلى استخدام ASP، والذي يمثل غلافاً غير مدرب لنماذج متعددة الوسائط المتجمدة، حيث يجمع بين حالة منظمة محدودة، فهرس حدثي دقيق، وتخصيص ميزانية مشروطة على الاستعلام مع الوصول التكراري. بناءً على بروتوكول مسبق التسجيل، تم تقييم سبعة نماذج مفتوحة الوزن، تتراوح من 3B إلى 31B، على معيار SEW-Bench، وهو معيار مخصص بدون ترخيص لمتابعة طويلة الأمد.

ورغم أن النتائج أظهرت دقة استرجاع حدثية من 75 إلى 94% تحت ميزانية قرار محددة تبلغ 4,096 رمز، إلا أن التفاعلات مع نماذج معدلة أظهرت تحديات، حيث لم يحقق الهيكل الكامل المكون من ثلاثة عناصر أداءً يفوق الأساسيات المتعارف عليها.

في النهاية، أوضح البحث كيف أن الوصول المشروط على الاستعلام هو العنصر الحاسم تحت ضغوط الميزانية، بينما لم يتحقق قيمة فعلية من الضغط عبر الإنترنت. أمام هذه التحديات، يظهر المجال الإبداع والتطور المستمر في أبحاث الذكاء الاصطناعي.

ما هي رؤيتكم حول هذه الأساليب الجديدة في تحقيق أداء أعلى بنماذج أقل تكلفة؟ شاركونا أفكاركم في التعليقات!