← أحدث الأبحاث
💬 معالجة اللغات الطبيعية

The Silent Cost of Conversation History in LLM Reasoning

تُثبت هذه الورقة أن تراكم تاريخ المحادثة في تفاعلات النماذج اللغوية الكبيرة متعددة الأدوار يؤدي بشكل كبير إلى تدهور دقة الاستنتاج بمرور الوقت، وهو تدهور تعجز مقاييس الاتساق والتماسك القياسية عن التنبؤ به مبكراً، مما يستلزم إدارة خارجية لحالة المهمة ومراقبة عبر الجلسات.

المؤلف الأصلي: Ali Şenol

نُشر 2026-11-17✓ Author reviewed ⓘ
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Ali Şenol

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في العالم الرقمي الحديث، غالبًا ما يعمل الذكاء الاصطناعي كمساعد دؤوب، يخوض محادثة تمتد عبر عشرات التبادلات. تخيل مديرًا لوجستيًا يطلب من حاسوب تتبع المخزون عبر مستودع، أو مخططًا ماليًا يحدث ميزانية مع وصول فواتير جديدة. يتذكر الحاسوب كل رسالة سابقة، ويبني سجلًا طويلًا للمحادثة لفهم السؤال الحالي. ومن المفترض أن يساعد هذا السجل المتنامي الآلة على التفكير بشكل أفضل، ليعمل مثل دفتر ملاحظات مشترك بين الإنسان والحاسوب. ومع ذلك، هناك خطر خفي في هذا النهج؛ فكلما طالت المحادثة، يتعين على الحاسوب معالجة ليس فقط السؤال الجديد، بل وأيضًا إجاباته السابقة التي قد تحتوي على أخطاء. إذا ارتكبت الآلة خطأً في وقت مبكر، فقد تحبس نفسها داخل تلك الفكرة الخاطئة، وتكرر الخطأ باستمرار طوال بقية المحادثة دون أن تظهر أي علامات على الارتباك. والنتيجة هي نظام يبدو واثقًا وفصيحًا ولكنه خاطئ جوهريًا، ولأن الأخطاء متسقة، فإن الفشل قد يظل غير مرئي للمستخدم.

لقد سعى الباحثون إلى قياس مدى الضرر الذي يلحقه تاريخ المحادثة المتنامي بقدرة الحاسوب على حل المشكلات بشكل صحيح. واختبروا ذلك من خلال إجراء نوعين مختلفين من التجارب. في التجربة الأولى، أخذوا مجموعة من المسائل الرياضية وقسموا المعلومات إلى قطع صغيرة، كاشفين عنها واحدة تلو الأخرى. وطلبوا من الحاسوب حل المسألة بطريقتين: إحداهما مع سجل كامل لإجاباته السابقة، والأخرى بصفحة بيضاء لا تعرض سوى المعلومات الجديدة. كانت النتائج واضحة ومتسقة؛ فعندما سُمح للحاسوب بالاحتفاظ بردوده السابقة في ذاكرته، انخفض معدل نجاحه بشكل كبير. فبالنسبة لأحد النماذج التي تم اختبارها، انخفضت فرصة الحصول على الإجابة النهائية الصحيحة بنسبة تقارب ثلاثين نقطة مئوية، وبالنسبة لنموذج آخر، انخفضت بنحو واحد وعشرين نقطة. لم يكن الحاسوب مشتتًا فحسب، بل كان يعيق نفسه فعليًا من خلال التاريخ الذي كان من المفترض أن يستخدمه للمساعدة.

دفعت التجربة الثانية هذه الفكرة إلى أقصى حدودها، عبر محاكاة محادثة استمرت مائة دورة. كانت هذه مهمة طويلة ومعقدة حيث تعين على الحاسوب تتبع التغييرات في ميزانية أو مخزون بمرور الوقت. حرص الباحثون بعناقة على ضمان بقاء صعوبة الأسئلة ثابتة طوال المحادثة، ليتأكدوا من أن أي انخفاض في الأداء يعود لطول الدردشة وليس لصعوبة الأسئلة. ووجدوا أن دقة الحاسوب انهارت بسرعة؛ ففي غض-ن تجربة عشرين دورة فقط، انخفضت القدرة على إعطاء الإجابة الصحيحة من حوالي ستين بالمائة إلى عشرة بالمائة. كان الحاسوب يفشل تقريبًا في كل سؤال، رغم أن الأسئلة نفسها لم تصبح أكثر صعوبة. حدث هذا الانهيار لأن الحاسوب كان يبني إجاباته الجديدة فوق أساس من الأخطاء السابقة، مما خلق سلسلة من الاستنتاجات المتسقة ولكن الخاطئة.

ومن الأهمية بمكان أن الباحثين بحثوا أيضًا عن وسيلة لرصد هذا الفشل قبل وقوعه. ففي الأنظمة الواقعية، لا يمكنك دائمًا معرفة الإجابة الصحيحة مسبقًا، لذا تحتاج إلى إشارة تحذير تخبرك بأن الحاسوب ينحرف عن المسار. اختبروا عدة طرق معيارية لقياس جودة تفكير الحاسوب، مثل التحقق مما إذا كانت إجاباته متسقة مع بعضها البعض أو ما إذا كان منطقه يتدفق بسلاسة. وكانوا يأملون أنه مع بدء فشل الحاسوب، ستنخفض درجات الجودة هذه، لتطلق جرس الإنذار. وبدلاً من ذلك، وجدوا العكس تمامًا؛ فبينما كانت الدقة تنهار، ظلت مقاييس الاتساق والتدفق المنطقي مرتفعة أو حتى تحسنت. لقد أصبح الحاسوب أكثر تمسكًا بالخطأ بشكل غريب؛ فكانت إجاباته متسقة تمامًا مع بعضها البعض، لكنها كانت خاطئة تمامًا. كانت أدوات رصد المشاكل المعتادة صامتة تمامًا، ولم تقدم أي تحذير من أن النظام يفشل.

كما اختبرت الدراسة ما إذا كانت البرامج الحاسوبية المصممة خصيصًا للكشف عن التغيرات في السلوك يمكنها رصد المشكلة. هذه البرامج تشبه أجهزة كشف الدخان للبيانات، حيث تبحث عن التحولات المفاجئة التي تشير إلى وجود خطأ ما. ومع ذلك، وجد الباحثون أن هذه الكواشف كانت بطيئة للغاية بحيث لا يمكن الاستفادة منها؛ فبحلول الوقت الذي تطلق فيه الكواشف الإنذار أخيرًا، يكون الحاسوب قد بدأ بالفعل في الفشل منذ فترة طويلة. لقد بدأ تراجع الأداء في وقت مبكر جدًا من المحادثة لدرجة أن الكواشف لم تستطع إنشاء خط أساس للسلوك الطبيعي للمقارنة به. وحتى عندما حاول الباحثون إصلاح ذلك من خلال النظر في محادثات عديدة في آن واحد، ظلت إشارات التحذير ضعيفة وغير موثوقة. الطريقة الوحيدة التي نجحت هي إزالة تاريخ المحادثة تمامًا؛ فبدلاً من تغذية الحاسوب بنص المحادثة الطويل، أعطاه الباحثون ملخصًا قصيرًا وموثقًا للحالة الراهنة، كتبه نظام منفصل وموثوق. وعندما فعلوا ذلك، ظلت دقة الحاسوب عالية ومستقرة طوال المائة دورة، مما أثبت أن المشكلة تكمن في التاريخ نفسه، وليس في المهمة.

تشير النتائج إلى أنه بالنسبة لأي نظام يعتمد على الذكاء الاصطناعي لإدارة مهام معقدة وطويلة الأمد، فإن الاحتفاظ بنص كامل للمحادثة يعد عبئًا. فالآلة لا تصبح أكثر ذكاءً من خلال تذكر أخطائها، بل تقع في فخها. ويخلص الباحثون إلى أن النهج الأفضل هو الاحتفاظ بحالة المهمة، مثل إجمالي الميزانية أو عدد المخزون، في سجل منفصل وموثق خارج المحادثة. يجب إرسال هذا السجل إلى الحاسوب بشكل جديد مع كل سؤال جديد، بدلاً من ترك الحاسوب يعيد بناء الحالة من ذاكرته المعيبة. وبينما تعد قدرة الحاسوب على إجراء محادثة طويلة أمرًا مثيرًا للإعجاب، فإن هذه الدراسة تظهر أنه بالنسبة لمهام الاستنتاج الجادة، فإن التاريخ الأقل هو الأكثر دقة. إن صمت أنظمة التحذير يعد تذكيرًا صارخًا بأن الإجابة الفصيحة والمتسقة ليست دائمًا إجابة صحيحة، وأنه في عالم الذكاء الاصطناعي، قد تكون الذاكرة الأكثر موثوقية هي تلك التي تنسى الماضي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →