محققان در مقالهای تازه به بررسی چالش استفاده از «حافظه KV» در مدلهای زبانی پرداختهاند. این پژوهش نشان میدهد که چگونه میتوان با استراتژیهای جدید، اطلاعات مهم را حتی پس از حذف ورودیهای اولیه، در حافظه مدل حفظ کرد.
نکته کلیدی این تحقیق که “Semantic Materialization” نامیده میشود، اثبات میکند که با تغییر در نحوه بیان و ساختاردهی به رویدادها، مدلهای هوش مصنوعی (مانند Qwen3) میتوانند بازیابی اطلاعات را از ۶٪ به ۵۱٪ افزایش دهند. این یعنی مدیریت بهینهتر حافظه در عاملهای هوش مصنوعی (AI Agents) که برای بازههای طولانی فعالیت میکنند، حالا بسیار دقیقتر شده است.
این دستاورد میتواند راه را برای ساخت مدلهای هوش مصنوعی با حافظه بلندمدتِ بسیار کارآمدتر هموار کند.
منبع: arXiv AI