في عالم الذكاء الاصطناعي، حيث تتطور نماذج اللغة الكبيرة (LLMs) لتكون رفقاء علميين دائمين، يبرز تحدٍ جديد يعرف باسم تشبع نافذة السياق (context window saturation) كعائق رئيسي يؤثر على الأداء. في سياق الأعمال العلمية التي تتطلب تحليلاً بياناتياً متكرراً وتحسين فرضيات، نلاحظ أن السياقات تُشبع بسرعة حتى عند تمديدها، مما يجعل الحلول التقليدية تواجه عقبات كبيرة تتمثل في ارتفاع التكاليف والمشكلات الإدراكية.

وللتغلب على هذه التحديات، يتم تقييم ابتكار جديد يُعرف باسم بنية الذاكرة ذات العمليات المزدوجة (Dual Process Memory Architecture) التي تفصل بين الاحتياجات السريعة للذاكرة episodic (بعبارة أخرى، نافذة 10 رسائل ثابتة) والذاكرة المعرفية طويلة الأجل (التي تنمو بمعدل 3 رموز لكل رسالة).

تم إجراء تقييم واسع النطاق شمل 15,000 رسالة مع التحقق عبر ست نماذج من ثلاث عائلات (OpenAI وAnthropic وGoogle)، مما أسفر عن ثلاث نتائج رئيسية. أولاً، بينما تفشل النماذج ذات السياقات الكاملة عند 10,000 رسالة بسبب امتلاء السياق، فإن نظامنا يحافظ على دقة تتراوح بين 70-85% مع فترة استجابة تبلغ 1-2 ثانية، ويستخدم 62% رموزاً أقل (45,434 مقابل أكثر من 120,000 رمز).

ثانياً، تكشف عملية التحقق عبر النماذج عن مقايضات على مستوى البنية، لذا فإن نموذج العمليات المزدوجة يتفوق في الاستفسارات الرقمية والزمنية بدقة تتراوح بين 65-90%، بينما يتفوق نموذج RAG في استرجاع المعلومات التاريخية بدقة تتراوح بين 60-85%. ثالثاً، تم تحديد فجوة بين الاختبار الاصطناعي والواقع، حيث تحافظ الاختبارات الاصطناعية على ذاكرة ثابتة، بينما تظهر الأعمال الواقعية نمواً خطياً (حوالي 3 رموز لكل رسالة)، مما يجعل جودة الذاكرة الموحدة العائق الأساسي في قابلية التوسع.

هذا الابتكار لا يدير فقط ملفات بها أكثر من 14,000 حقيقة علمية (125,000 رمز)، بل يظهر أن دمج الذاكرة الخاصة بالمجال يمكّن العمليات المستدامة حتى بعد حدود العمل الكاملة.