في عالم الذكاء الاصطناعي، تتطور أساليب التعلم باستمرار، مؤدية إلى تحسينات ثورية في كيفية تفاعل الآلات مع بيئاتها. أحدث هذه التطورات هي تقنية "Mosaic" التي تطرح مفهوم التعلم المعزز المتعدد الجلسات (Multi-Session Reinforcement Learning).

تقليديًا، كانت تقنيات التعلم المعزز تفترض مسارات فردية، حيث يكون التفاعل محصورا في سياق واحد مستمر. ومع ذلك، فإن تقنيات التعلم المعزز الاتجاهية مثل ضغط السياق (Context Compaction) وتفرع الوكالة (Subagent Forking) قد تنتج مسارات تمتد عبر جلسات متعددة، مما يخلق عدم تطابق بين فرضيات التدريب الفردية وتنفيذها في الوقت الفعلي.

تقدم Mosaic حلاً مبتكرًا من خلال تعزيز التعلم في سيناريوهات متعددة الجلسات. يتميز هذا الأسلوب برفع مستوى التعقيد في معالجة إشارات الاستخدام الخاصة بكل جلسة، مما يُسهم في تحسين تقدير الفوائد.

أظهرت التجارب التي تم إجراؤها على بيانات BrowseComp باستخدام النموذج Qwen3.5-4B أن Mosaic يتفوق على الطرق التقليدية المتمثلة في البث المباشر، سواء في حالات ضغط السياق أو تفرع الوكالات، مع استخدام عدد أقل من الجلسات بشكل عام.

تقدم نتائج التجارب دليلاً على أن Mosaic لا يؤدي فقط إلى تحسين الكفاءة في تخصيص الجلسات، بل يدل أيضًا على اتجاه واعد لمجالات البحث المستقبلية في التعلم المعزز متعدد الجلسات.