في عالم الذكاء الاصطناعي، تُعَد نماذج اللغات الضخمة (Large Language Models) من أبرز الابتكارات. ولكن، ماذا لو أخبرناك أن هذه النماذج يمكن أن تستفيد من تقليل السياق المستخدم في المحادثات متعددة الأدوار؟ في دراسة جديدة، قام الباحثون بإعادة النظر في التصميم التقليدي التي تعمل عليه هذه النماذج، والذي يعتمد على حفظ كافة تاريخ المحادثة، بما في ذلك كل طلبات المستخدم وجميع ردود المساعد.

بدلاً من ذلك، قام الباحثون بمقارنة الطريقة التقليدية في التوجيه الكامل بسياقات بديلة أقل حجمًا، ووجدوا أن جودة الاستجابة تظل مستقرة حتى في ظل تقليل المعلومات المستخدمة بشكل كبير. مثلاً، عند استبدال كل التفاعلات السابقة بإيجازات من جملة واحدة، أو الاحتفاظ فقط بالتبادل الأخير بين المستخدم والمساعد، كانت النتائج مشابهة للأداء المستخدم بكامل السياق، ولكن باستخدام حوالي ثمانية أضعاف أقل من المعلومات.

الغريب أن ما يقرب من 36.4% من تدخلات المستخدم كانت مكتفية ذاتيًا، مما يوضح أن العديد من المحادثات يمكن إدارتها بفعالية باستخدام جزء بسيط من السياق السابق. وعلاوة على ذلك، كان من الواضح أن اعتماد النماذج على ردودها السابقة يمكن أن يؤدي إلى تلوث السياق، حيث تنتشر الأخطاء والتخيلات عبر الأدوار.

بفضل هذه النتائج، صمم الباحثون طريقة جديدة لتصفية السياق، تساعد في تجاوز الاحتفاظ بتاريخ مساعد الذكاء الاصطناعي. تسمح هذه النهج الجديدة بتحسين أداء النماذج مع التركيز فقط على ما هو ضروري وذو صلة، مما يمهّد الطريق لتطوير نماذج ذكاء اصطناعي أكثر فاعلية وكفاءة بموارد أقل.