تواجه الوكلاء طويلة الأمد تحديات متزايدة بسبب زيادة حجم السياق خلال تفاعلهم مع البيئة، مما يؤثر سلبًا على أدائهم وثباتهم. تقليديًا، تستعين الطرق الحالية بوحدات ذاكرة خارجية لنقل المعلومات اللازمة، مما يحول دون قدرة النموذج على إدارة محتوى ذاكرته بصفة استباقية مما يتماشى مع الأهداف العامة للوكيل.

للتغلب على هذه القيود، تم تقديم خوارزمية تحسين سياسة الذاكرة الذاتية المعروفة باسم ميما (MemPO). هذه الخوارزمية تتيح للوكلاء أن يقوموا بملخص وإدارة ذاكرتهم بشكل ذاتي أثناء التفاعل مع البيئة. من خلال تحسين آلية تعيين الائتمان بناءً على فعالية الذاكرة، يمكن للنموذج أن يحتفظ بصورة انتقائية بالمعلومات الحيوية، مما يؤدي إلى تقليل استهلاك الرموز (tokens) بشكل كبير مع الحفاظ على أداء المهام.

تثبت التجارب الشاملة والتحليلات أن تقنية ميما تحقق مكاسب مطلقة في درجة F1 تصل إلى 25.98، مقارنةً بالنموذج الأساسي، و7.1 فوق المعايير السابقة. بالإضافة إلى ذلك، ساهمت في تقليل استخدام الرموز بنسبة تصل إلى 67.58% و73.12%، مما يجعلها واحدة من التطورات الأحدث في مجال الذكاء الاصطناعي.

أصبح بإمكان المهتمين بالكود الخاص بهذه الخوارزمية الوصول إليه عبر رابط الكود. هل أنتم مستعدون لاكتشاف إمكانيات جديدة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!