في عالم نماذج اللغة المتقدمة، تظل معالجة المعلومات واحدة من أهم التحديات. يتزايد حجم الذاكرة مع كل سلسلة تفكير (CoT - Chain of Thought) تُنتجها هذه النماذج، مما يؤدي إلى ظهور ظاهرة تُعرف بعنق الزجاجة في الذاكرة خلال عملية فك الشفرات.

رغم وجود طرق تقليدية لتقليص حجم الذاكرة، فإنها تتجاهل البنية الهرمية الطبيعية لسلاسل التفكير، حيث يختلف كل خطوة في الأهمية. هنا يأتي دور التكنولوجيا الجديدة المسماة "تنسيق ذاكرة مفتاح-قيمة مدرك للفكر" (TAM) التي تسعى إلى معالجة هذه المشكلة بشكل مبتكر.

تعتمد تقنية TAM على ثلاثة آليات رئيسية لتحسين كفاءة الذاكرة:
1. **تجزئة الفكر**: تقوم بتقسيم مسار التفكير إلى كتل من الاستدلال.
2. **تخصيص الميزانية التكيفية**: تحدد ميزانية الضغط بناءً على حجم وأهمية كل جزء.
3. **حماية الرموز المحورية**: تحافظ على نقاط التركيز ذات الأهمية العالية أثناء الضغط.

أظهرت التجارب التي أجريت على مجموعتي بيانات AIME 2024 وMATH-500 باستخدام نموذج Qwen3-4B أن تقنية TAM تحسن من الدقة بشكل ملحوظ مقارنة بأساليب التقليص القديمة، مع الحفاظ على حجم الذاكرة ضمن 3.1 إلى 3.2 جيجابايت، أي تقليص يصل إلى 65% دون التأثير على دقة النتائج.

تُظهر هذه التقنية الجديدة كيف يمكن استغلال الهيكل الهرمي في التفكير لتحسين أداء نماذج اللغة، مما يفتح آفاق جديدة في مجال الذكاء الاصطناعي.