في عالم الذكاء الاصطناعي، تُعد استرجاع المعلومات التوليدية (Generative Information Retrieval - GenIR) أحد الاتجاهات الرائدة التي تسعى لتبسيط عملية الوصول إلى الوثائق من خلال دمجها في نموذج عصبي واحد. رغم بساطة هذه النهج المعماري، إلا أنه يواجه تحديات كبيرة عند التعامل مع مجموعات الوثائق الديناميكية.

يكمن التحدي الرئيسي في أن المعرفة الموجودة في نموذج GenIR تُشفر برامترًا في أوزانه، مما يجعل الطرق التقليدية للتكيف مثل التكييف الكامل أو الفعال برامترًا عرضة لما يُعرف بالنسيان الكارثي، حيث تتدهور استجابة النموذج مع إضافة وثائق جديدة.

لكي نتجاوز هذه العقبة، يستعرض الباحثون استراتيجية جديدة يُطلق عليها "تكييف الذاكرة بعد التكيف" (Post-Adaptation Memory Tuning - PAMT)، والتي تركز على استقرار الذاكرة. من خلال إضافة رأس ذاكرة برامترية (Parametric Memory Head - PMH) إلى النموذج المعدل، يُمكن الحفاظ على أداء جيد عند إضافة محتويات جديدة.

تقوم PAMT بتجميد البنية الأساسية للنموذج، وتربطها بذاكرة برامترية تستخدم نظام عنونة ثابت. أثناء عملية الاسترجاع، تستفيد من حالات الاحتواء المخبأة لتوجيه التصحيحات في الفضاء المخفي، مما يساعد على تحسين توليد معرفات الوثائق.

توفر التجارب التي أجريت على مجموعتي بيانات MS MARCO وNatural Questions دليلاً قوياً على فعالية PAMT، حيث أظهرت النتائج تحسينًا ملحوظًا في الاحتفاظ بالمعرفة القديمة، مع تأثير بسيط على أداء الاسترجاع للوثائق الحديثة. مع PAMT، يمكن تحديث مجموعة محددة من قيم الذاكرة دون التأثير على النتائج السابقة، مما يحقق توازنًا مثيرًا بين الاستقرار والمرونة.