في عالم الذكاء الاصطناعي، تلعب أنظمة الذاكرة دورًا حيويًا في تمكين الوكالات (agents) من أداء المهام بكفاءة وفعالية. في هذا الإطار، قدمت دراسة حديثة على منصة MemoryArena مقارنة بين نظامي ذاكرة متقدمين: MemoryLake وMem0. بينما تركز معظم اختبارات الذاكرة في العادة على الاسترجاع (recall) بعد إنجاز المهمة، تسعى MemoryArena لتقييم ما إذا كانت الذاكرة تساعد على إتمام المهام المعقدة والمتداخلة عبر جلسات متعددة.

تتضمن الدراسة مقارنة بين MemoryLake، وهو نظام ذاكرة هيكلي متعدد المسارات، وMem0، الذي يعتمد على نموذج نصي مدمج صغير (text-embedding-3-small vector RAG). تمت مقارنة الأنظمة عبر خمسة مجالات مختلفة في MemoryArena، مع استخدام نفس إطار الوكالة ونموذج GPT-5-mini.

أظهرت النتائج أن نظام MemoryLake حقق أعلى معدل نجاح مسجل (SR) في مجالات الرياضيات (9 من 40) والفيزياء (12 من 20)، بينما شهدت استرجاعًا تدريجيًا ناجحًا في 4 من أصل 20 مهمة. من ناحية أخرى، لم تتمكن جميع الأنظمة من تحقيق أي نجاح في تخطيط السفر، بل وحقق التسوق عبر الويب مستوى نجاح منخفضًا جدًا.

عند احتساب المتوسط ​​الوزني لجميع معدلات النجاح على مستوى مجموعة البيانات، حقق MemoryLake نسبة 20.5% مقابل 13.6% لأفضل الأنظمة المقارنة. أشارت الدراسة أيضًا إلى اتساع نطاق الاعتماد على عبء العمل في أنظمة الذاكرة المدروسة.

في المجمل، توفر هذه الدراسة رؤى جديدة حول كيفية عمل أنظمة الذاكرة وعلاقتها بأداء المهام، إلا أنها لا تحدد تفوقًا عامًّا لهذه الأنظمة أو مزايا هيكل التمثيل بشكل قاطع. تبقي هذه النتائج باب الأبحاث مفتوحًّا لفهم أعمق حول قدرات أنظمة الذاكرة في المستقبل.

ما رأيكم في هذا التطور الدقيق في أنظمة الذكاء الاصطناعي؟ شاركونا في التعليقات!