في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الكبيرة (Large Language Models - LLMs) من أكثر الأنظمة تطورًا، حيث تمتاز بقدرتها على إتمام المهام المتعددة التي تتطلب التخطيط واستخدام الأدوات والوصول إلى معلومات خارجية. ومع ذلك، فإن زيادة سجل التنفيذ يمكن أن يؤدي إلى تكاليف تقدير مرتفعة ويعرض عملية التفكير إلى معلومات قديمة أو غير ملائمة، مما قد يؤثر سلبًا على جودة النتائج.

لتجاوز هذه التحديات، تم تقديم نظام ذاكرة هيكلية مبتكر يُعرف بـ "Weighted Memory Tree (WMT)". يهدف هذا النظام إلى تنظيم المعلومات التي تجمعها نماذج اللغة عبر تقسيمها إلى مهام، مهام فرعية، وإجراءات، مما يسهل على النظام اتخاذ قرارات بشأن المعلومات التي يجب الاحتفاظ بها.

يعتمد WMT على تقييم ديناميكي لذاكرة كل مهمة، حيث يتم تحديث الدرجات بناءً على الأحداث وتدهور الاختيار، مما يساعد في الحفاظ على المعلومات المفيدة وتجاهل المحتوى غير الضروري. بحسب التجارب التي أجريت على نموذج GAIA-Text باستخدام نماذج مثل Qwen3-8B وGemma 4 E4B وLlama-3.1-8B، أظهر WMT تحسنًا ملحوظًا، حيث زادت دقة النتائج بمعدل 9.97 نقاط مئوية مع تقليل استخدام الرموز في الطلبات بنسبة 32.8%.

وعلاوة على ذلك، أثبتت التجارب المتعلقة بتسمم الذاكرة أن WMT قادر على تقليل انتشار المعلومات غير الموثوقة، ما يُظهر أن فعالية ذاكرة الوكلاء في المهام الطويلة تعتمد بشكل أكبر على تقييم المعلومات وتحديد ما يجب الاحتفاظ به بدلاً من تخزين المزيد فقط. هذا الابتكار يمكن أن يعيد صياغة مستقبل نماذج اللغة الكبيرة ويعزز من قدرتها على التعامل مع المهام المعقدة بكفاءة عالية.