# MEMENTO يجيب عن أسئلة الكتب الطويلة بملاحظات موجزة

> تذكر ورقة بحثية على arXiv أن MEMENTO رفع دقة Qwen3-8B في الإجابة عن أسئلة الكتب، مع إبقاء سياق العمل دون 20,000 رمز.

Oossa · 2026-11-03 · https://oossa.com/ar/memento-uses-short-notes-to-answer-questions-about-long-books

تقدّم ورقة بحثية جديدة على arXiv نظام MEMENTO، وهو وكيل ذكاء اصطناعي دُرّب على تحديد المعلومات التي ينبغي الاحتفاظ بها عند التعامل مع نصوص طويلة جدًا. وفي اختبارات تناولت أسئلة عن كتب، رفع النظام دقة Qwen3-8B من 36.9% إلى 67.8%، مع استخدام ما لا يزيد على 20,000 رمز من السياق في كل مرة. وبلغ طول الكتب المستخدمة في الاختبارات 2.5 مليون رمز.

يعالج هذا النهج مشكلة أساسية تواجه أنظمة الذكاء الاصطناعي: فهي لا تستطيع دائمًا الاحتفاظ بمحادثة أو مستند طويل بأكمله ضمن سياق العمل. ومن الحلول الشائعة لهذه المشكلة ما يُسمى «الاختزال»، أي استبدال المواد السابقة بملاحظة أقصر. وتقول الورقة إن الوكلاء الجاهزين للاستخدام، ومنهم GPT-5.5 وGLM-5.3، غالبًا ما يدوّنون ملاحظات ضعيفة، وإن التعلم المعزز وحده نادرًا ما يعلّمهم تدوين ملاحظات فعّالة.

## كيف يدير MEMENTO السياق

بُني MEMENTO على Qwen3-8B. وبدأ تدريبه بأمثلة اصطناعية أُنشئت فيها الملاحظات مع الاستفادة من معرفة ما حدث لاحقًا، ثم استُخدمت هذه الأمثلة لضبط النموذج بدقة. وأضاف الفريق التعلم المعزز، وهو أسلوب لتحسين النموذج من خلال التغذية الراجعة، مع مكافأة تعتمد على صحة الإجابة وجودة الملاحظة ومدى توافق ثقة الوكيل مع أدائه.

دُرّب النظام على اختزال سجلّه في نافذة سياق جديدة. لكن الورقة تقول إنه استخدم أيضًا، أثناء الاختبار، أساليب مثل إعادة دمج المعلومات في سياقه والرجوع إلى مواد سابقة عندما تكون ثقته منخفضة. وتساعد هذه الاستراتيجيات الوكيل على التعامل مع الكتب الطويلة من دون تحميل النص كله في سياقه النشط.

## ما الذي تظهره النتائج

في أربعة معايير لاختبار الإجابة عن أسئلة الكتب، أفادت الورقة بأن MEMENTO حقق 67.8%، مقارنةً بـ13.1% لوكيل GPT-5.5 في إعداد الاختبار نفسه، و56.7% في اختبار للمقارنة أُتيح فيه سياق الكتاب كاملًا. كما حقق 69.3% مقابل وكيل GLM-5.3، الذي وُصف بأنه أكبر بنحو 100 مرة. وتذكر الورقة أن تكلفة MEMENTO كانت أقل من واحد على خمسين من تكلفة وكيل GPT-5.5، وواحدًا على تسعة من تكلفة وكيل GLM-5.3؛ كما اقترب أداؤه بفارق 6.4 نقاط مئوية من GLM-5.3 عند استخدام سياق الكتاب كاملًا، لكن بتكلفة أقل بمقدار 26 مرة.

هذه نتائج أوردها مؤلفو الورقة، وليست دليلًا على أن MEMENTO سيحقق الأداء نفسه في مهام أو مستندات أخرى. ولا يذكر الملخص أسماء معايير الاختبار أو التكاليف بالدولار أو تفاصيل إتاحة النموذج للجمهور. وتقتصر النتائج على الإجابة عن أسئلة تتعلق بالكتب، وفي إطار الاختبار الموضح في الورقة.

## الحقائق

- بُني MEMENTO على Qwen3-8B، ولم يتجاوز سياق العمل 20,000 رمز في الاختبارات المعلنة.
- شملت الاختبارات أربعة معايير للإجابة عن أسئلة الكتب، وكتبًا يصل طولها إلى 2.5 مليون رمز.
- تذكر الورقة أن دقة MEMENTO بلغت 67.8%، مقابل 36.9% لـQwen3-8B قبل تدريب MEMENTO.
- تذكر الورقة أن تكلفة MEMENTO بلغت واحدًا على تسعة من تكلفة وكيل GLM-5.3، فيما سجل 67.8% مقابل 69.3% لـGLM-5.3.

## لماذا يهم

بالنسبة إلى من يطوّرون أدوات ذكاء اصطناعي تجيب عن أسئلة تتعلق بكتب طويلة، تشير نتائج MEMENTO إلى أن تعلّم تدوين الملاحظات قد يقلل كمية النص التي يتعين على النموذج الاحتفاظ بها في كل مرة. لكن المكاسب المعلنة تقتصر على اختبارات الأسئلة المتعلقة بالكتب، لذا لا يزال من غير الواضح ما إذا كان النهج يفيد مع مستندات طويلة أخرى أو في الاستخدامات اليومية.

## المصادر والمراجع

1. [MEMENTO: Learning Context Management for Long Context Processing Agents](https://arxiv.org/abs/2611.00244) – arXiv, 2026-11-03

آخر تحديث: 2026-11-03