تُعتبر نماذج اللغة الكبيرة (Large Language Models) محورية في تطوير تطبيقات الذكاء الاصطناعي، حيث يُمكنها تقديم تجارب مستخدم مُحسّنة للغاية. في دراسة جديدة، يتناول الباحثون كيفية إجراء عملية النقل بين الجلسات من خلال نقل حالة التعلم السياقي (In-Context Learning) في التطبيقات التي تتطلب ذلك.

عند الوصول إلى الحد الأقصى لإدخال النموذج أو عند إعادة تشغيل التطبيق، يتعين على النظام اتخاذ قرار حول أي معلومات من الجلسة السابقة يجب نقلها. تُعتبر هذه المسألة حيوية لضمان استمرار المهام بشكل فعّال. وقد صاغ الباحثون عملية النقل كتحويل لحالة التعلم السياقي ذات الصلة بالمهام، حيث يتم التمييز بين استعادة المعلومات السابقة والحفاظ على توزيع النتائج المستهدف.

تمتد الدراسة لتقديم تحليلات معقدة حول تأثير قيود الذاكرة، وكاتب النص، وإجراءات الاستمرار، كما تقيس تكاليف الكتابة قبل معرفة الاستعلامات المحتملة. كما قدّم الباحثون نموذجًا ثلاثي الأجزاء يُخزن القرارات والقيود بدقة، ويستخدم إحصائيات مبررة من المهام من أجل إثباتات متكررة، ويحتفظ بالملاحظات الأصلية التي قد تفقد تأثيرها نتيجة تلك الإحصائيات.

تُؤكد النتائج المستخلصة على أهمية الاتصال الفعّال بين الجلسات مما يُرجّح بناء أنظمة قادرة على استمرارية وظيفية قوية وموثوقة. في ظل هذه الظروف، سيكون بالإمكان إسدال الستار على فوضى عدم الارتباط بين الجلسات، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي. هل سنشهد قريبًا مرحلة تُتيح انتقالًا سلسًا بين التطبيقات والمهام؟