تعتبر نماذج اللغات الضخمة (Large Language Models) اليوم أحد أبرز التطورات في مجال الذكاء الاصطناعي، حيث تعتمد على ذاكرة مستمرة لدعم التفاعلات عبر الجلسات. ومع ذلك، يُعَدُّ استخدام الأنظمة الحالية لاختيار الذاكرة 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.

هنا، نقترح تقنية جديدة تُعرف بالتدخل السببي للذاكرة (Causal Memory Intervention) والتي تهدف إلى تعزيز عملية اختيار الذاكرة من خلال تقدير كيفية تأثير الذاكرات المحتملة على إجابات النموذج تحت تدخلات مُتحكم فيها. هذه التقنية تُركز على اختيار الذاكرات التي تُحسن 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 محادثات طويلة، حيث يتضمن كل مثال طلب مستخدم، ومجموعة من الذاكرات المُفيدة، ومشتتات غير ذات صلة، وذاكرات اصطناعية ضارة.

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

لمعرفة المزيد حول هذه التقنية الرائعة، يمكنكم زيارة الرابط [رابط_المقال].