في إطار التطورات المتسارعة في عالم الذكاء الاصطناعي، تأتي نتيجة دراسة جديدة لتسلط الضوء على كيفية تجاوز معضلة قيود السياقات المتعلقة بأنظمة "RAG" (استرجاع معزز للتوليد). تكشف الدراسة، التي شملت تقييمًا شاملًا لأربعة عشر نموذجًا تتراوح سعتها بين 1.5 مليار و32 مليار من النماذج المحلية بالإضافة إلى نموذج API متقدم، كيف يمكن لضغط المخططات الأداتية (Tool-Schema Compression) أن يحل مشكلة اسهلاك السياق.

تشير النتائج إلى أن تعريفات المخططات الأداتية التقليدية تستهلك جزءًا كبيرًا من مساحة السياق المطلوبة لتوليد النتائج، مما يؤدي إلى أداء متدني للغاية عند الانتهاء من الذاكرة المُتاحة. لكن بعد تطبيق ضغط المخططات، تم تحقيق زيادة مذهلة بنسبة +20.5 نقطة مئوية في المطابقة الدقيقة (exact-match) عبر جميع النماذج، مع ملاحظة أن الأداء يتحسن بشكل كبير من 2.6% في ظل عدم ضغط المخططات.

وجد الباحثون أيضًا أن ضغط المخططات الأداتية يعد طبقة بنية تحتية ضرورية لتمكين أنظمة "RAG" في البيئات ذات القيود السياقية. هذه النتيجة تشير بوضوح إلى أهمية تحسين استغلال الموارد في النظام، وفتح آفاق جديدة للابتكارات في مجال الذكاء الاصطناعي.

مع التزام الباحثين بنشر جميع الأكواد والبيانات والنقاط المرجعية، تقدم هذه الدراسة خطوة نحو مستقبل أكثر كفاءة في استخدام الذكاء الاصطناعي. فهل أنتم مستعدون لاستكشاف مزيد من هذه التطورات؟