في عالم الذكاء الاصطناعي، تواجه النماذج متعددة الأنماط (Multimodal) تحديات كبيرة في معالجة المعلومات المعقدة. واحدة من هذه التحديات هي "مشكلة انفجار السياق"، حيث يؤدي استخدام المدخلات متعددة الأنماط إلى تراكم كمية هائلة من البيانات غير الضرورية. في هذا السياق، تم تقديم إطار العمل MM-ContextFold كحل مبتكر.

تركز الدراسات الحديثة على "استرجاع المعلومات المتعددة الأنماط" (Multimodal Agentic Retrieval - MAR)، والذي يتطلب من الوكلاء (agents) القيام بمهام استكشاف المعلومات عبر أدوات خارجية. ومع ذلك، غالباً ما يتسبب الاحتفاظ بالمحتوى المرئي في ارتفاع مستوى الفوضى المعلوماتية.

من خلال دراسة تجريبية شاملة على حوالي 10,000 مسار، أظهرت النتائج أن الاستمرار في الاحتفاظ بالصور الخام يزيد من نسبة الفوضى، مما يؤثر سلبًا على دقة النتائج. بناءً على هذه النقاط، يقترح إطار العمل MM-ContextFold تحميل الصور الخام عند الحاجة فقط.

يعمل MM-ContextFold على المحافظة على سياق رئيسي نصي يساعد في التخطيط العام، ويخلق سياقات فرعية مؤقتة تعتمد على الصور لإكمال المهام ذات الصلة. بعد الانتهاء، يتم دمج النتائج كملخص نصي ويُdiscard الصور وسياقاتها، مما يقلل من عبء المعلومات.

أظهرت التجارب عبر سبعة معايير لقياس الأداء أن هذا الإطار الجديد يحقق تحسينًا بـ 6.3 نقاط مئوية في دقة النتائج مقارنة بإطار العمل السابق ReAct، كما يُقلل من طول السياق العامل بنسبة 27.5%. لذا، يعد MM-ContextFold إنجازًا ملحوظًا في مجال استرجاع المعلومات، مما يعد بمستقبل مشرق لهذه التقنيات.