مع تقدم الذكاء الاصطناعي، يبقى كيفية استخدام الذاكرة في نماذج اللغات الكبيرة (Large Language Models) مسألة حيوية. رغم أن فعالية ذاكرة العميل تعتمد على كيفية تأثير كل ذاكرة في السياق على رد الفعل، إلا أن هذه القدرات ظلت في الغالب مغفلة. هنا يأتي دور MemCalib، المعيار الجديد الذي يستند إلى سيناريوهات أنظمة الذاكرة الواقعية.

يهدف MemCalib إلى تقييم استخدام الذاكرة المتاحة وتحسين خوارزميات التقييم. وقد أظهرت النتائج على مجموعة اختبار MemCalib أن النماذج الرائدة، سواء كانت مفتوحة المصدر أو مغلقة، تواجه صعوبة في استخدام الذاكرة بشكل مناسب. في الغالب، تتسبب هذه النماذج في الاستخدام المفرط أو الناقص للذاكرة، وهو ما يؤدي إلى استجابات متحيزة ومنخفضة الجودة.

علاوة على ذلك، أظهرت التجارب مع خوارزميات ما بعد التدريب الشائعة، مثل تحسين السياسات النسبية الجماعية والتقطيع الذاتية أثناء السياسة، انحرافاً واضحاً نحو اتجاه معين؛ حيث تتحسن النماذج المدربة في اتجاه بينما تتدهور في آخر.

ولذلك، تم اقتراح MemCalib-RL، وهو خوارزمية للتخصيص الائتماني المضاد ثنائي الاتجاه الذي يفصل بين إشارات الاستخدام المفرط والناقص ويحدد ائتماناتهم على رموز الاستجابة من خلال إلغاء الذرات بدقة.

لقد أظهرت النتائج عبر عائلات وأحجام النماذج المختلفة (مثل Qwen3-8B، Ministral-3-8B-Instruct، وQwen3.5-35B-A3B) أن MemCalib-RL تحقق أفضل أداء بشكل عام، مع تحسين التوازن بين الاستخدام المفرط والناقص، مما يسهم في تحقيق نتائج أفضل عند التقييم في معايير خارجية. كما تدعم التجارب الإضافية اختيارات تصميمها ومرونتها وتوفر رؤى حول ديناميات تدريبها.

في النهاية، يبدو أن MemCalib يمثل خطوة كبرى نحو تعزيز فعالية استخدام الذاكرة في أنظمة الذكاء الاصطناعي، مما يفتح الأبواب أمام تحسينات مستقبلية في جودة استجابة أنظمة الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.