تحتل أنظمة المحادثة الطويلة الأمد مكانة متقدمة في عالم الذكاء الاصطناعي، ولكن تواجه تحديات كبيرة فيما يتعلق بآليات استرجاع المعلومات المعقدة. لتعزيز هذه التجربة، تم تطوير تقنية جديدة تُسمى GRAVITY (Generation-time Relational Anchoring Via Injected Topological Memory) التي تمثل نقطة تحول في إدارة الذاكرة.

تعمل تقنية GRAVITY كوحدة ذاكرة مُهيكلة يمكن إضافتها بسهولة، حيث تقوم باستخراج ثلاثة أنواع من تمثيلات المعرفة من النصوص المحادثية:

1. **ملفات تعريف الكيانات** المرتكزة على الرسوم البيانية للعلاقات.
2. **أزواج الأحداث الزمنية** المترابطة والتي تُلخص التأثير السببي.
3. **ملخصات الموضوعات عبر الجلسات** المختلفة.

تقوم GRAVITY بدمج هذه التمثيلات في النظام المضيف أثناء فترة الإنتاج، مما يُضيف سياقات ترسخ الأجوبة بشكل منطقي. وقد أظهرت التجارب التي أُجريت عبر خمسة أنظمة ذاكرة متنوعة في اختبارات LongMemEval وLoCoMo أن استخدام تقنية GRAVITY يُحسن دقة التقييم بمعدل يتراوح بين 7.5% إلى 10.1%.

الغريب في الأمر هو أن التحسينات كانت تتناسب عكسياً مع قوة النموذج الأساسي، حيث يُظهر أضعف الأنظمة تحسناً يصل إلى 12.2% فيما تظل الأنظمة الأقوى تحقق مكاسب تتراوح بين 3.8% و5.7%.

هذا يُؤكد على أن تعديل سياقات الذكاء الاصطناعي باستخدام أسلوب مُهيكل يُعتبر استراتيجية فعالة لتحسين إدارة الذاكرة في المحادثات الطويلة، دون الحاجة لتعديلات هيكلية على النموذج المضيف.