في عالم الأعمال الحديث، تلعب نماذج اللغة الكبيرة (Large Language Models) دورًا متزايد الأهمية في العمل المنظم، حيث يقوم العديد من المؤلفين بتوثيق قراراتهم عبر المستندات على مدى شهور. لكن المشكلة تكمن في أن القرار المنقح لا يظهر كتحرير للمستند الأصلي، بل يظهر كمستند جديد، مما يجعل من الضروري معرفة النسخة الصحيحة المستخدمة في وقت معين.

تتبع أنظمة الذاكرة التقليدية نهجًا يقوم على ضغط السجلات عند وقت الكتابة، مما يعني أنها تحدد المعلومات التي يمكن الإجابة عنها قبل طرح أي سؤال. للحد من هذه القيود، تم تقديم Mem++، وهو إطار عمل لإدارة الذاكرة غير التدميرية، يركز على الانتقال من اختيار المعلومات عند الكتابة إلى اختيارها عند القراءة.

يمكّن Mem++ من تخزين كل مستند بشكل كامل مع تاريخ تأليفه، دون الاعتماد على نموذج توليدي في وقت الكتابة. عند استرجاع المعلومات، يتم استخدام المستندات التي تمت كتابتها حتى وقت السؤال المقترح، مع دمج التصنيفات الدلالية واللفظية. هذا النهج لا يمحو النسخ القديمة، بل يتيح للاختيار-setting النموذج الرد عليها.

أظهرت التقييمات على معيار OrgMemBench أن Mem++ يتفوق على النظام التقليدي بأداء يتراوح بين 8.0 إلى 13.1 نقطة في نموذجين مختلفين للإجابة. ومع نموذج gpt-4.1-mini، حقق Mem++ أيضًا أفضل نتيجة على الإطلاق، بفارق 2.6 نقطة عن نموذج RAG. كما حصل على أعلى متوسط نقاط في تقييم LLM-judge على معيار LoCoMo، وحصل على المركز الثاني في معيار LongMemEval-S، متقدمًا على جميع الأنظمة باستثناء نسخته الخاصة بالتفاعل.

يمكن لمطوري البرمجيات المهتمين الوصول إلى الكود الخاص بتقييم المعايير المتاحة عبر GitHub. هل تعتقد أن هذا النظام سيغير من طريقة عمل الشركات؟ شاركونا آراءكم في التعليقات!