
ALTK-Evolve: حافظهی آموختهشده در صدر بنچمارک τ²-bench
IBM Research روش ALTK-Evolve را معرفی کرد که با حافظهی آموختهشده، بدون مدل پیشرو، در صدر بنچمارک τ²-bench برای وظایف خدمات مشتری قرار گرفت. این رویکرد نشان میدهد بهینهسازی حافظه میتواند عملکرد مدلهای کوچکتر را در کاربردهای سازمانی بهبود دهد.
IBM Research در وبلاگ Hugging Face از روشی با نام ALTK-Evolve رونمایی کرد که بر پایهی حافظهی آموختهشده (learned memory) بنا شده است. این سیستم در بنچمارک τ²-bench، که برای ارزیابی عملکرد مدلها در وظایف خدمات مشتری طراحی شده، به جایگاه نخست دست یافته است. نکتهی قابل توجه آن است که این نتیجه بدون استفاده از مدلهای پیشرو (frontier models) و صرفاً با بهرهگیری از مکانیزم حافظه به دست آمده است. ALTK-Evolve با ذخیرهسازی و بازیابی تجربیات پیشین، به مدل امکان میدهد تا در تعاملات خدماتی، پاسخهای دقیقتری ارائه دهد. این روش به جای افزایش پارامترهای مدل، بر ساختار حافظه و نحوهی استفاده از آن تمرکز دارد. به گفتهی توسعهدهندگان، چنین رویکردی میتواند هزینهی استقرار مدلهای بزرگ را کاهش دهد و در عین حال کیفیت پاسخگویی را حفظ کند. نتایج این پژوهش برای توسعهدهندگان ایرانی که در حوزهی خدمات مشتری و چتباتهای سازمانی فعالیت میکنند، حائز اهمیت است. با توجه به محدودیت دسترسی به مدلهای پیشرو و هزینههای بالای استفاده از APIهای خارجی، بهینهسازی حافظه میتواند راهکاری مقرونبهصرفه برای بهبود عملکرد مدلهای کوچکتر باشد. این رویکرد به توسعهدهندگان امکان میدهد تا با منابع محدود، سیستمهایی با کارایی نزدیک به مدلهای بزرگ بسازند. جزئیات فنی ALTK-Evolve در وبلاگ Hugging Face منتشر شده است. این روش نشان میدهد که ترکیب حافظهی ساختاریافته با مدلهای زبانی میتواند در برخی وظایف خاص، از افزایش صرف مقیاس مدل مؤثرتر باشد. انتظار میرود این یافتهها بر توسعهی سیستمهای خدماتی مبتنی بر هوش مصنوعی در آینده تأثیر بگذارد.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




