في عالم تقنيات الذكاء الاصطناعي، تتواجد طرق متنوعة لتحسين استخدام المعرفة في النماذج اللغوية الضخمة (Large Language Models). وما بين إمكانية الوصول المرن الى المعرفة الخارجية والتكييف المعلمي، يظهر أسلوب جديد يُعرف بذاكرة الذاكرة (Engram-style memory) ليأخذنا إلى ما هو أبعد من ذلك.

تستند هذه الطريقة إلى فكرة تخزين المعلومات المتعلمة في جدول خارجي، قابل للوصول، مما يسمح لها بتحقيق كفاءة في عملية الاسترجاع دون التعقيد المرتبط بالنماذج التقليدية. ولكن السؤال البارز الذي يُطرح هنا هو: ما الذي يمكن أن يؤثر بشكل أكبر عند نقل هذه الذاكرة عبر النماذج المختلفة، هل هو الذاكرة نفسها أم القارئ المتكامل مع الهدف؟

أجريت دراسات لفهم هذه الديناميكية، حيث تُظهر النتائج أن محتوى الذاكرة المدربة وتوجيه العناوين يمثلان عاملين مهمين. لكن في الوقت نفسه، تصبح القيمة الفعلية لهذا الجدول المنقول متاحة فقط من خلال قارئ متوازٍ مع النموذج المستهدف.

عند تقييم المهام المرتبطة بالإجابة على الأسئلة، أظهرت نتائج استخدام قارئ ثنائي الطبقات، بأربعة فروع، تحسناً ملحوظاً، حيث اقتربت النتائج من تلك التي تم تحقيقها في نفس النموذج، محققةً متوسط درجات يبلغ 38.8.

علاوة على ذلك، عندما يتوافق قارئ موفر الذاكرة مباشرة مع واجهة النموذج المستهدف، يمكن للذاكرة المجمدة أن تقدم فائدة كبيرة دون الحاجة إلى تدريب إضافي على الجانب المستهدف، بينما يمكن لتكييف القارئ الاختياري أن يعزز المزيد.

توضح هذه النتائج أن أسلوب Engram يمكن أن يخدم كأداة خارجية قابلة لإعادة الاستخدام، بشرط أن يكون لدى النموذج المستهدف إمكانية الوصول إلى واجهة قارئ متوافقة، ويمكن لتحسين التكيف على الجانب المستهدف أن يدعم التوافق إذا كان الاستخدام المباشر غير كافٍ.