اگر عامل‌های هوش مصنوعی شما در مأموریت‌های طولانی دچار فراموشی می‌شوند، مشکل احتمالاً در حجم پنجره متنی نیست، بلکه در منطق حذف داده‌هاست. باید بدانید که تکیه بر «تازگی داده» برای مدیریت حافظه، یک اشتباه استراتژیک است.
در حال حاضر، اکثر عامل‌ها برای تصمیم‌گیری درباره اینکه چه چیزی را از پنجره متنی (Context Window) حذف کنند، از روش‌های ساده‌ای مثل تازگی (Recency) یا امتیازدهی استفاده می‌کنند. همان‌طور که در بررسی‌های پیشین ما درباره‌ی محدودیت‌های مدل‌های زبانی اشاره کردیم، این رویکرد «جریمه گم‌شدن» (Miss Penalty) — یعنی هزینه بالای فراموش کردن حقیقتی که دقایقی بعد برای پیش‌برد کار حیاتی می‌شود — را نادیده می‌گیرد.
طبق مقاله‌ای که در ۱۰ ژوئن ۲۰۲۶ در arXiv منتشر شد، چارچوب OSL-MR (Observability-Safe Learning for Memory Retention) حافظه را به عنوان یک مسئله بهینه‌سازی استوکاستیک مقید تعریف می‌کند که صراحتاً هزینه‌های تأخیری را محاسبه می‌کند. بر اساس مستندات این پژوهش، معماری OSL-MR بر سه رکن استوار است:
- یک یادگیرنده شواهد (Evidence Learner) که برای پیش‌بینی ارزش داده‌های خاص آموزش دیده است.
- یک مدل Mixed-Score که هم به عنوان یک خط پایه قابل استقرار و هم به عنوان یک پیش‌فرض استقرایی (Inductive Prior) برای یادگیری عمل می‌کند.
- یک مدل هزینه که جریمه‌های گم‌شدن، تأخیر در بازیابی مجدد و ریسک اطلاعات قدیمی (Stale-information risk) را در بر می‌گیرد.
بررسی‌های تجربی روی بنچمارک‌های LOCOMO و LongMemEval نشان می‌دهد که OSL-MR به‌ویژه در شرایطی که بودجه حافظه محدود است، به‌طور مداوم از روش‌های مبتنی بر تازگی پیشی می‌گیرد.
این تحول، پیش‌فرض بنیادین این حوزه را تغییر می‌دهد: حافظه دیگر یک مسئله «بازیابی» نیست، بلکه یک مسئله «تخصیص منابع» است. با مدل‌سازی هزینه دقیقِ یادگیری مجدد اطلاعات، عامل‌ها می‌توانند دقت بالا را بدون قربانی کردن بازخوانی (Recall) حفظ کنند. این یک تکامل حیاتی برای عامل‌هایی است که در محیط‌های واقعی فعالیت می‌کنند؛ جایی که پنجره‌های متنی محدود هستند و زوال اطلاعات به صورت غیرخطی رخ می‌دهد.
گام بعدی شما
- رصد ادغام پیش‌فرض‌های بهینه‌سازی مقید در چارچوب‌های تولیدی عامل‌ها.
- ارزیابی ریسک «اطلاعات قدیمی» در محیط‌های پویا و باز.
- بررسی جایگزینی متدهای recency-based با مدل‌های هزینه در سیستم‌های مدیریت Context.
اما چالش بعدی، مقیاس‌پذیری این مدل در محیط‌های کاملاً باز است؛ موضوعی که در تحلیل ما درباره‌ی تکامل حافظه در مدل‌های استدلالی بررسی خواهیم کرد.
گفتگو