في عالم الذكاء الاصطناعي، تمثل وكلاء المحادثة طويلة الأمد تحدياً كبيراً، حيث يتعين عليهم اتخاذ قرارات ذكية حول أي حوارات يجب تخزينها في الذاكرة الخارجية. ومع ذلك، تعتمد الأنظمة الحالية بشكل كبير على توليد نماذج اللغات الضخمة (Large Language Models) بطريقة تلقائية في كل تدوينة، مما يعقد الأمور. هنا يأتي دور MemRouter، المُوجِّه الذكي لإدارة الذاكرة.

يجسد MemRouter مفهومًا ثوريًا من خلال فصل عملية قبول المعلومات في الذاكرة عن الهيكل الأساسي الذي يجيب على الأسئلة. حيث يعتمد على سياسة توجيه تعتمد على الترميز (embedding) لكل تدوينة مع السياق الحديث، ويقوم بتمرير الترميزات الناتجة عبر هيكل نموذج لغوي ضخم مجمَّد. وباستخدام رؤوس تصنيف خفيفة الوزن، يتنبأ النظام ما إذا كان ينبغي تخزين التدوينة، بينما يتم تدريب 12 مليون معلمة فقط.

في دراسة مقارنة معتمدة تحت بيئة مضبوطة مع LoCoMo، حيث تم الحفاظ على دقة أنظمة الاسترجاع وطلبات الإجابات، أثبت MemRouter تفوقه على أنظمة إدارة الذاكرة المعتمدة على نماذج اللغات الضخمة في جميع فئات الأسئلة. حيث بلغ معدل F1 العام 52.0 مقابل 45.6، مع تقليل زمن إدارة الذاكرة من 970 مللي ثانية إلى 58 مللي ثانية.

تظهر النتائج بشكل واضح أن التعلم العميق يمكن أن يُحسن من قبول الذاكرة، حيث يزيد معدل F1 بمقدار 10.3 مقارنةً بالتخزين العشوائي، فيما يُضيف التوجيه المحدد حسب الفئة 5.2 إلى البيانات العامة، ويُساهم الاسترجاع في 0.7.

تشير هذه النتائج إلى أن قبول الذاكرة من جانب الكتابة يمكن أن يُدار بواسطة مُوجِّه مُشرف صغير، في حين تظل توليد الإجابات مكونًا منفصلًا في أنظمة الأسئلة والأجوبة طويلة الأمد.