ازدادت أهمية تنظيم الذاكرة الدائمة في نماذج اللغات الضخمة (LLMs) كوسيلة لتعزيز تخصيص المعلومات ورفع كفاءة الأداء. يكشف البحث الجديد عن استراتيجيتين رئيستين لتحسين كيفية استخدام هذه الذاكرة: الأولى هي "قبول المعلومات" (Admission) التي تحدد المعلومات التي تدخل في السياق العملي، والثانية هي "عرض المعلومات" (Presentation) التي تحدد كيفية التعبير عن المعلومات المقبولة.

تم تنفيذ التصميمين في وقت الاستدلال دون الحاجة لإعادة تدريب النموذج. التصميم الأول يسمى "القبول المدروس عبر العوامل" (Factor-Compiled Admission - FC)، الذي يقيّم إدخالات الذاكرة بالكامل، بينما الثاني "القبول الدلالي المسموح به" (Permission-Semantic Admission - PS) يقوم بتفكيك الإدخالات إلى وحدات نوعية.

أظهرت النتائج أنه بالمقارنة مع أساليب الحقن التقليدية، تمكنت كل من FC وPS من تقليل معدلات الفشل التي تم تقييمها من قبل القضاة بنسبة 6.7 و8.8 نقطة مئوية على التوالي، مما يشير إلى تحسينات كبيرة في الأداء. كما انخفضت تسريبات المعلومات عبر المجالات بنسبة تصل إلى 29.5 نقطة مئوية.

تظهر الدراسات أن جودة الاختيار توفر مكاسب أمان محددة للمهمة، بينما يبقى استخدام الذاكرة المفيدة مسألة قيد البحث. تشمل النتائج أيضًا أن كلا التصميمين زاد من احتمالية حدوث فشل في التخصيص، مما يسلط الضوء على ضرورة تقييم القبول والعرض بشكل منفصل.

على الرغم من التحديات، فإن البحث يفتح الأفق أمام المزيد من الحلول لتحسين تخصيص نماذج اللغات الضخمة، مما يمهد الطريق لمزيد من الابتكارات في هذا المجال المتطور.