Ramp Labs تقدم حلاً جديدًا لمشاركة ذاكرة متعددة الوكلاء، مع تقليل استهلاك الرموز إلى حد أقصى بنسبة 65%

معلومات أخبار ME، 11 أبريل (بتوقيت UTC+8)، أصدرت شركة بنية تحتية للذكاء الاصطناعي Ramp Labs نتائج بحث بعنوان «Latent Briefing»، والذي يحقق مشاركة ذاكرة فعالة بين أنظمة متعددة للذكاء الاصطناعي من خلال ضغط مباشر لذاكرة التخزين المؤقت الكبيرة للنموذج، مما يقلل بشكل كبير من استهلاك الرموز دون فقدان الدقة. في الهيكلية السائدة للأنظمة متعددة الذكاء الاصطناعي، يقوم المنسق (Orchestrator) بتقسيم المهام واستدعاء نماذج العاملين (Worker) بشكل متكرر، ومع استمرار توسيع سلسلة الاستدلال، يتضخم استهلاك الرموز بشكل أسي. الفكرة الأساسية لـ Latent Briefing هي: استخدام آلية الانتباه لتحديد الأجزاء الحاسمة حقًا في السياق، والتخلص مباشرة من المعلومات الزائدة على مستوى التمثيل، بدلاً من الاعتماد على ملخصات النموذج الكبير البطيئة أو استرجاع RAG غير المستقر. في اختبار معيار LongBench v2، أظهرت هذه الطريقة أداءً مميزًا: انخفاض استهلاك الرموز لنموذج العامل بنسبة 65%، وتوفير رموز متوسطة الطول (من 32 ألف إلى 100 ألف) بنسبة وسطيّة تصل إلى 49%، مع تحسين الدقة الإجمالية بمقدار حوالي 3 نقاط مئوية مقارنة بالخط الأساس، بينما استغرق كل ضغط إضافي حوالي 1.7 ثانية فقط، مما يسرع الخوارزمية الأصلية حوالي 20 مرة. أجريت التجارب باستخدام Claude Sonnet 4 كمنسق، وQwen3-14B كنموذج عامل، لتغطية سيناريوهات مختلفة من المستندات مثل الأوراق الأكاديمية، والوثائق القانونية، والروايات، والتقارير الحكومية. كما أظهرت الدراسة أن الحد الأقصى لضغط البيانات المثالي يختلف حسب صعوبة المهمة وطول المستند—فالمهام الصعبة مناسبة للضغط الجريء لتصفية الضوضاء الناتجة عن الاستنتاجات المضاربة، بينما المستندات الطويلة أكثر ملاءمة للضغط الخفيف للحفاظ على المعلومات المفتتة والمهمة. (المصدر: BlockBeats)