تعتبر [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models)) اليوم أحد أبرز التطورات في مجال الذكاء الاصطناعي، حيث تعتمد على [ذاكرة](/tag/ذاكرة) مستمرة لدعم [التفاعلات](/tag/التفاعلات) [عبر](/tag/عبر) الجلسات. ومع ذلك، يُعَدُّ استخدام الأنظمة الحالية لاختيار [الذاكرة](/tag/الذاكرة) [عبر](/tag/عبر) التشابه الدلالي أو إدراج التاريخ بشكل واسع أمراً هشاً، نظرًا لأن الذاكرات قد تكون مرتبطة بالمحتوى لكن تظل غير ذات صلة أو قد تحمل [معلومات مضللة](/tag/[معلومات](/tag/معلومات)-مضللة).

هنا، نقترح [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) تُعرف بالتدخل السببي للذاكرة (Causal Memory Intervention) والتي تهدف إلى تعزيز عملية اختيار [الذاكرة](/tag/الذاكرة) من خلال تقدير كيفية تأثير الذاكرات المحتملة على إجابات النموذج تحت [تدخلات](/tag/تدخلات) مُتحكم فيها. هذه [التقنية](/tag/التقنية) تُركز على اختيار الذاكرات التي تُحسن [أداء المهام](/tag/[أداء](/tag/أداء)-المهام) مع تجاهل غيرها غير المستقرة أو الضارة.

لتقييم هذه الطريقة، أطلقنا معيارًا جديدًا يُسمى Causal-LoCoMo، وهو معيار مُعَلم بشكل سببي يستند إلى [بيانات](/tag/بيانات) [محادثات](/tag/محادثات) طويلة، حيث يتضمن كل مثال طلب مستخدم، ومجموعة من الذاكرات المُفيدة، ومشتتات غير ذات صلة، وذاكرات اصطناعية ضارة.

تمت [مقارنة تقنية](/tag/مقارنة-[تقنية](/tag/تقنية)) CMI مع خيارات أخرى مثل القوائم، الرسوم البيانية، والملخصات، وغيرها من الأساليب. تظهر النتائج أن CMI [تحقق](/tag/تحقق) توازنًا مثيرًا بين جودة الإجابة والقدرة على التحمل أمام الذكريات المضللة، مما يُشير إلى أن [الذاكرة](/tag/الذاكرة) الفعالة على المدى البعيد تتطلب اختيار [السياق](/tag/السياق) بناءً على الجدوى [السببية](/tag/السببية) وليس فقط على الصلة.

لمعرفة المزيد حول هذه [التقنية](/tag/التقنية) الرائعة، يمكنكم زيارة الرابط [رابط_المقال].