في عالم الذكاء الاصطناعي المتقدم، يعد فهم السياقات الطويلة والاستنتاج منها أحد التحديات الرئيسية لتطبيقات نماذج اللغة الكبيرة (Large Language Models). على الرغم من أن النماذج الحديثة تدعم نوافذ سياقية أطول، إلا أنها غالبًا ما تفشل في استخدام الأدلة ذات الصلة الموجودة بالفعل في المدخلات. هنا يأتي الالتزام بتطوير تقنية جديدة تُعرف باسم ريكوكونتكست (Recursive Evidence Replay) التي تهدف إلى تحسين الاستدلال على السياقات الطويلة.

تعمل تقنية ريكوكونتكست من خلال استخدام إشارات ذات صلة داخلية لتكوين مجموعة أدلة مشروطة بالاستعلام، ثم تعمل على إعادة تشغيل تلك الأدلة قبل التوليد النهائي، مع الحفاظ على السياق الأصلي بالكامل. هذه العملية الانتقائية التكرارية تفصل بين تنظيم الأدلة وتوليد الإجابات، دون الحاجة إلى تدريب أو ذاكرة خارجية أو تقليم للسياق.

كما تقدم هذه الدراسة تحليلًا نظريًا يستند إلى الذاكرة الترابطية، حيث تُعتبر السياقات كمتجر للذاكرة، والسؤال كإشارة استرجاع، والانتباه كترابط إشارة استرجاع، وإعادة التشغيل كإعادة تنشيط لتلك الإشارات.

أجريت تجارب على ثمانية مجموعات بيانات سياقية طويلة بطول 128K، أظهرت النتائج أن ريكوكونتكست يحسن بفاعلية من استخدام الأدلة عبر نماذج Qwen3-4B وQwen3-8B وLlama3-8B، محققًا أفضل ترتيب متوسط على جميع النماذج الثلاثة.

لمعرفة المزيد حول هذه التقنية المبتكرة، يمكنكم الاطلاع على الكود المتاح عبر الرابط: https://github.com/Yanjun-Zhao/ReContext.