في عالم الذكاء الاصطناعي، تعتبر الوكلاء الذين يتعاملون مع واجهات المستخدم الرسومية (GUI) من أكثر التطبيقات إثارة للتحديات، نظرًا لمتطلبات الذاكرة وزمن الاستجابة. وللتغلب على هذه القيود، ظهرت تقنية جديدة تُعرف باسم ST-Lite، التي تعد بحل مبتكر لضغط البيانات في الذاكرة (KV Cache Compression) بدون الحاجة إلى تدريب (Training-Free).

تستند ST-Lite على ثلاث خصائص فريدة لبيانات معاملة GUI، وهي:
1. **الازدواجية البصرية بين الإطارات**: حيث توفر قدرًا كبيرًا من المعلومات المكررة.
2. **البصمة المكانية الصغيرة لعناصر واجهة المستخدم**: بما يجعل من الضروري الحفاظ على دقة كل عنصر.
3. **التقليل الشامل للاهتمام بين الطبقات**: مما يؤثر سلبًا على فعالية الأساليب التقليدية.

نُفذت ST-Lite باستخدام ثلاثة مكونات أساسية:
- **البوابات الدلالية المعتمدة على المسارات (TSG)**: التي تعمل على تصفية الإطارات التاريخية المكررة.
- **التأكيد على العناصر الأساسية (CSS)**: الذي يضمن الحفاظ على حدود العناصر بدقة.
- **ميزانية مستوية لكل طبقة**: لتفادي التخصيص الخاطئ بين الطبقات.

أظهرت النتائج أن ST-Lite تفوقت على جميع المعايير الحالية لضغط البيانات، حيث تطابقت أو تفوقت على دقة المهام الخاصة بحمولة الذاكرة (Full Cache) بالنسبة لعينة رئيسية عند ميزانية 20%، مع تحقيق تسريع في عملية فك الترميز يصل حتى 2.35 مرة.

يمكن العثور على تنفيذ ST-Lite مفتوح المصدر عبر الرابط التالي: ST-Lite على GitHub. هل تعتقد أن هذه التقنية ستغير شكل تعاملاتنا مع واجهات المستخدم في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.