في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) عنصراً محوريًا في تحقيق تطورات مذهلة. لكن، يميل هذا النوع من النماذج إلى إنتاج محتوى غير دقيق أو قديم بعد استخدامها. لهذا، يعد تحديث المعرفة بشكلٍ فعال ودقيق، دون الحاجة إلى إعادة التدريب المكلف، أحد أكبر التحديات التي تواجه الباحثين.

في هذا السياق، تم تقديم نموذج RILKE (Representation Intervention for Lifelong KnowledgE Control) كحل مبتكر يتعامل مع مشكلة السيطرة على المعرفة بشكلٍ نظري، عن طريق معاملتها كتدخلات ضمن فضاء التمثيل للنموذج. يستند هذا النموذج إلى قوة التعبير في فضاء التمثيل، حيث يحدد خصائص رئيسية تجعل من الممكن لـ RILKE تحقيق السيطرة الدقيقة على المعرفة المعقدة وغير المنظمة مع الاحتفاظ بالوظائف العامة.

أثناء التدريب، يتعلم RILKE إنشاء وحدات مقاومة للتغيير والتعديل المحدد، مما يحد من كل تحديث إلى فراغ منخفض الأبعاد لتقليل تداخل التعديلات. وعند مرحلة الاستدلال، يتم استخدام موجه يتكيف مع الاستفسار لاختيار الوحدة المناسبة لتوجيه توليد النموذج.

عبر نماذج LLaMA وQwen، يظهر RILKE كفاءة عالية في الاستجابة للمعايير الكبيرة، حيث يحقق نجاحًا كبيرًا في التعديلات العامة مع الحفاظ على وظائف عامة مع زيادة طفيفة في استهلاك الذاكرة. كل هذه النتائج تشير إلى أن RILKE يمثل حلاً فعالاً وقابلًا للتوسع للسيطرة على المعرفة المستدامة في نماذج اللغات الضخمة.