تقنية ALTK-Evolve من IBM تتصدر معيار خدمة العملاء باستخدام الذاكرة المكتسبة دون الحاجة للضبط الدقيق

كشفت بحوث IBM عن تقنية ALTK-Evolve، وهي طريقة تدفع وكيل ReAct قياسي يعمل على GPT-4.1 إلى صدارة قائمة متصدرين τ²-bench لخدمة العملاء — دون أي ضبط دقيق للنموذج أو بيانات معلمة بشريًا. يحقق النظام نسبة 67.5% في معيار Pass^4 على مجال التجزئة، مما يعني أنه ينجز المهام بنجاح عبر جميع المحاولات الأربع المستقلة لأكثر من ثلثي الحالات.

كيف تحل الذاكرة المكتسبة محل تحديث الأوزان

بدلاً من تحديث المعلمات، تحلل ALTK-Evolve محاولات الوكيل في مهام التدريب — النجاحات والإخفاقات على حد سواء — وتستخدم GPT-4.1 نفسه لتقطير هذه المحاولات إلى إرشادات سلوكية موجزة. تُضاف قواعد مثل كيفية توثيق العميل، تأكيد المعاملة، أو معالجة الإرجاع كقائمة markdown بسيطة إلى موجه النظام. نفس النموذج يُشغل كل من استخراج الإرشادات والوكيل أثناء الاستنتاج، مما يخلق حلقة تحسين ذاتي لا تتطلب أي خطوات تدرج.

يقيم إطار τ²-bench، الذي طورته شركة Sierra في الأصل، الوكلاء מול عملاء محاكين بواسطة LLM لديهم أهداف صريحة، وأدوات خاصة بالمجال (البحث عن طلبات، إصدار استردادات، إعادة حجز رحلات)، ووثائق سياسة صارمة. يُقاس النجاح بمطابقة حالة قاعدة البيانات النهائية بدقة — مقياس ثنائي لا يرحم. استخدمت تجارب IBM نموذج GPT-4.1 كوكيل و GPT-5.5 كمحاكي للعميل عبر مجالي التجزئة والطيران، مع أربع محاولات لكل مهمة.

لماذا هذا مهم لبنية GPU / AI التحتية: تُظهر هذه الطريقة أن مكاسب أداء كبيرة في أعباء العمل الوكيلة الإنتاجية يمكن أن تأتي من هندسة الموجهات والذاكرة وقت الاستنتاج بدلاً من عمليات الضبط الدقيقة المكلفة. لمزودي سحابة GPU مثل AiGpu، يعني هذا أن العملاء يمكنهم تحقيق نتائج على مستوى الطليعة على نماذج أقدم وأكثر كفاءة تكلفة (مثل فئة GPT-4.1) من خلال الاستثمار في سقالات ذكية وسياق مكتسب — مما يقلل إنفاق الحوسبة مع الحفاظ على دقة مستوى اتفاقيات مستوى الخدمة.