Yapay zeka asistanlarının geçmiş deneyimlerinden daha iyi öğrenmesi için her modelin hafıza kapasitesine göre farklı bir yöntem izlenmesi gerektiği ortaya çıktı. Güçlü modellere tüm kuralları vermek gerekirken, küçük modellere seçici hafıza yüklemek performansı artırıyor.
Hugging Face üzerinde IBM araştırmacıları tarafından yayınlanan kapsamlı bir çalışma, yapay zeka ajanlarında hafıza yönetimi konusunda kritik eşikleri gözler önüne serdi. 30 milyar parametreli yoğun modellerden devasa tescilli sistemlere kadar sekiz farklı modeli inceleyen ekip, “Agentic memory” (ajan hafızası) sistemlerinin tek tip uygulanamayacağını, model kapasitesine göre özel olarak kalibre edilmesi gerektiğini kanıtladı.
Araştırmada kullanılan ALTK-Evolve yöntemi, ağırlık güncellemesi veya insan etiketi gerektirmeden, ajanın kendi geçmiş deneyimlerinden (başarı ve hatalarından) yeniden kullanılabilir kurallar türetmesini sağlıyor. Test sonuçlarına göre, DeepSeek-V3.2 gibi kapasitesi yüksek güçlü modeller tüm kural setini aldığında görev tamamlama oranında 9.5 puanlık artış yaşarken, gpt-oss-120b gibi daha küçük modellerde ise tüm set yerine kompakt bir çekirdek ve göreve özel seçilmiş kuralların verilmesi %16.1’lik başarı artışı sağladı ve maliyeti düşürdü.
GLM-5 gibi halihazırda doygunluğa ulaşmış modellerde ise hafıza eklemenin performans üzerinde ölçülebilir bir etki yaratmadığı görüldü. Bu bulgular, yapay zeka geliştiricilerinin ajan mimarilerini tasarlarken kullanılan modele göre hafıza dozajını hassas bir şekilde ayarlamasının kaçınılmaz olduğunu gösteriyor.
Görsel ve haber kaynağı: Hugging Face