في عالم الذكاء الاصطناعي، تعتبر الدقة في استرجاع المعلومات أحد المعايير الأساسية التي تؤثر على أداء النماذج اللغوية. في هذا السياق، تبرز تقنية GateRQ كحل مبتكر يهدف إلى تحسين البحث في الذاكرة الشرطية (Conditional Memory) المستخدمة في نماذج اللغات الكبيرة (Large Language Models).

تقنية GateRQ تعتمد على مفهوم الذاكرة الشرطية المرتبطة بنماذج الذكاء الاصطناعي، حيث يتم توصيل جداول n-gram التي تم تجزئتها بشكل كبير. وقد أظهرت الدراسات أن إزالة هذه الجداول من نموذج DeepSeek-V4.1-Flash تكلف نقصاً كبيراً في نقاط الأداء تصل إلى 36.8 نقطة PopQA.

من خلال استخدام التجزئة بمعدل منخفض، تفقد النماذج أولاً المعلومات الطويلة المدى، مما يجعل الحلول التقليدية غير فاعلة. على عكس الأساليب السابقة، تكمن قوة GateRQ في استخدام بوابة (Gate) لحساب الخطأ الناتج عن التجزئة. حيث يتم قياس هذا الخطأ بناءً على نوع البيانات المدخلة، مما يؤدي إلى تحسين عمليات البحث بشكل كبير.

ولم يكن هذا فقط، بل إن GateRQ تقوم بتخزين المعلومات بذكاء عن طريق استخدام رموز متبقية بحجم 1-بت، بينما يتم الاحتفاظ بالمستوى الأول من الذاكرة على وحدة معالجة الرسوميات (GPU)، مما يقلل من حجم الذاكرة بنسبة 7.8 ضعف دون الحاجة إلى تدريب جديد. هذا الأمر يؤدي إلى زيادة سرعة نقل البيانات (vLLM throughput) بنسبة تراوحت بين 11% و31% مقارنة بالجداول التقليدية.

مع هذه النتائج المثيرة، يبدو أن GateRQ ستلعب دوراً محورياً في تطور نماذج الذكاء الاصطناعي وتحسين دقتها بشكل غير مسبوق. هل تعتقد أن هذه التقنية ستحدث ثورة في عالم الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!