في عالم الذكاء الاصطناعي، تُعتبر الذاكرة الطويلة الأمد أمرًا بالغ الأهمية لوكلاء الذكاء الذين يعملون عبر تفاعلات ممتدة. ومع ذلك، تركز أنظمة الذاكرة الحالية ومعايير التقييم بشكل أساسي على السجلات النصية ذات المصدر الواحد، متجاهلةً الحاجة إلى دمج المعلومات المتفرقة من مصادر متعددة. في هذا السياق، قدم الباحثون مؤخرًا معيارًا جديدًا لدمج الذاكرة يسمى **MemFuseBench**.

تم تصميم MemFuseBench باستخدام خط أنابيب **Scene-to-Sensor** الذي يقوم بتوليد سيناريوهات قابلة controllable إلى ملاحظات مشروطة بالمصدر، وأسئلة موثقة بالأدلة، ومشتتات معاكسة. يهدف هذا المعيار إلى تقييم منهجية للتفكير الزمني، ودمج الأدلة من مصادر متعددة، وقدرة النظام على مواجهة الضوضاء.

علاوةً على ذلك، تم تقديم نظام **MemFuse** كحل متكامل، حيث يحتفظ هذا النظام بالأدلة على مستوى المصدر ضمن ذاكرة ذات أحداث ذرية، وينظم الأحداث ذات الصلة في ذاكرة مدمجة ضمن مخطط دمج سببي. أثناء عملية الاسترجاع، يقوم MemFuse باستعادة وتنظيم شظايا الأدلة ذات الصلة مع الحفاظ على إمكانية تتبع الأحداث المصدر الأصلية.

أظهرت التجارب التي تم إجراؤها على MemFuseBench أن MemFuse يحقق أفضل أداء عام بين أنظمة الذاكرة المعتمدة تحت جميع إعدادات نماذج اللغات الكبيرة (Large Language Models)، مما يعزز الأداء في الأسئلة التي تتطلب دمج الأدلة من مصادر متعددة. يعتبر هذا التطور خطوة هائلة نحو تحقيق ذكاء اصطناعي أكثر قدرة على فهم وتطبيق المعرفة المتفرقة بشكل فعّال.