تعتبر النماذج اللغوية الكبيرة (Large Language Models) من أهم الابتكارات في مجال الذكاء الاصطناعي. ومع تزايد احتياجات المستخدمين لتوليد النصوص المطولة، يواجه المطورون تحديات تتعلق بتكاليف الوقت والموارد. في هذا السياق، قدم فريق من الباحثين نهجًا جديدًا ثوريًا تحت اسم RSM-full، مصممًا لتحقيق جودة عالية بتكاليف منخفضة.

RSM-full يعتمد على استراتيجيتين رئيسيتين: قاعدة دمج أعضائها القصوى (max-member merge) المدعومة ببوابات كوسينية، وعبوة السياق المعتمدة على الذرات (atom-aware grouped context packer). هذه الاستراتيجيات تهدف إلى تحقيق أفضل توازن بين الجودة وتكاليف التوكن.

وفقًا لنتائج الاختبارات على معيار AMA-Bench للذاكرة المدمجة، فإن نموذج RSM-full يحقق 83% من جودة السياق الكامل بتكلفة توكن تبلغ 32% فقط من الميزانية المخصصة (4k). واستطاع النموذج التفوق على المعيار الأقرب، وهو Online K-Means، بفارق يتراوح بين 3.5 و6.0 تجاوزًا إحصائيًا.

تظهر الدراسات أن معظم هذه المكاسب تأتي من تطبيق قاعدة الدمج (بزيادة 5.7 نقطة مقابل Online K-Means) ومن تقنية العبوة المجتمعة (بزيادة 5.0 نقطة مقارنة بالتجميع المستوي). كما نجح النموذج في تحسين نتائجه على معيار RealMem، حيث أظهر تفوقًا مدهشًا على الذاكرتين Budget-RAG وStreaming-Proto.

باختصار، يعد RSM-full خطوة جديدة نحو تحسين الأداء في بيئات ذات ميزانيات ضيقة، مما يتيح للنماذج اللغوية تحقيق أداء استثنائي في فئات متنوعة من الاستخدامات.