في عالم الذكاء الاصطناعي، تسعى النماذج اللغوية إلى تحسين أدائها وقدرتها على التعلم الذاتي بشكل دائم. من خلال تقنية جديدة تدعى 'تقليص الذاكرة الإجرائية' (Procedural Memory Distillation)، بُدِئ بتطوير نهج متقدم يعمل على تحسين جودة التعلم من التجارب السابقة.

تتطلب النماذج الحديثة تعزيز التعلم من خلال التفاعل المستمر مع بيئات متغيرة، وتُظهر الأبحاث الجديدة كيف يمكن لهذه التقنية أن تحول المعلومات المتراكمة عبر تجارب متعددة إلى ذاكرة قابلة لإعادة الاستخدام. تُطبق هذه التقنية في سياقات متعددة من خلال مستويات من التجريد، بدءًا من المسارات الأولية، إلى الاستراتيجيات المستندة إلى التأمل، وصولاً إلى أنماط سلوكية تتكرر عبر مشكلات مختلفة.

تستند فكرة 'تقليص الذاكرة الإجرائية' (PMD) إلى مبدأ التطور المشترك، حيث تقوم السياسات بإنتاج تجارب جديدة تقوم بتحديث الذاكرة، بينما تشكل الذاكرة الإشراف المطلوب لتحديث السياسة. وبفضل هذه الديناميكية، أظهرت الدراسات التجريبية أن PMD تحقق تحسينات تتراوح بين 3.8% إلى 5.5% على بيانات SCIKNOWEVAL و7.9% إلى 13.6% على بيانات LIVECODEBENCH عند استخدامها مع نماذج Qwen3-8B وOLMo3-Instruct-7B.

تتيح مثل هذه التحسينات للنماذج زيادة كفاءتها وتفاعلها بشكل أكبر مع المستخدمين، مما يفتح الأبواب لمزيد من التطبيقات العملية في مجالات مثل التعليم والبحث.