«تدهور السياق» هو سبب تراجع أداء روبوت الدردشة الذكي كلما طالت المحادثة

اطرح على مساعد ذكاء اصطناعي نفس السؤال مرتين — مرة في بداية المحادثة ومرة أخرى بعد ساعة من التبادل — وستحصل غالباً على إجابة أضعف في المرة الثانية، مع أن شيئاً لم يتغير في السؤال والمحادثة لا تقترب أصلاً من حدّ السياق المُعلَن للنموذج. يسمّي الباحثون هذه الظاهرة «تدهور السياق» (context rot): التراجع القابل للقياس في جودة مُخرجات النموذج مع نمو كمية النص في نافذة سياقه، بصرف النظر عن كون هذا النص مرتبطاً فعلاً بالمهمة.

يهم هذا الأمر لأن الترويج الكامل لنماذج الذكاء الاصطناعي الحديثة يتمحور حول حجم السياق. تروّج الشركات لنوافذ بـ200 ألف، أو مليون، أو حتى 10 ملايين رمز (توكن)، وتُلمّح إلى أن الأكبر يعني الأقدر. يُظهر تدهور السياق العكس: القدرة داخل تلك النافذة ليست متجانسة، ومعظمها يتراجع قبل الوصول إلى السقف بكثير.

ماذا تُظهر الأبحاث بالفعل

يأتي أوضح دليل من دراسة شركة Chroma لعام 2025، التي اختبرت 18 نموذجاً متطوراً — من كل المعامل الكبرى — على مهام متطابقة بأطوال مُدخلات مختلفة. تراجع أداء كل نموذج دون استثناء بشكل قابل للقياس مع زيادة طول المُدخل، حتى في مهام صُممت عمداً لتكون قابلة للحل بصرف النظر عن حجم السياق. لم يكن التراجع بسبب نفاد المساحة؛ بل بسبب تخفف انتباه النموذج عبر نص أكبر.

يبني هذا على اكتشاف سابق بعنوان «الضائع في الوسط» من باحثي جامعة ستانفورد (Liu وزملاؤه، نُشر في TACL عام 2024)، الذي أظهر منحنى اعتمادية على شكل حرف U: تتعامل النماذج جيداً مع المعلومات في بداية أو نهاية مُدخل طويل، لكن المعلومات المدفونة في الوسط تُستخدم بشكل أقل اعتمادية، بصرف النظر عن وضوح صياغتها. وجد تقييم لاحق يُدعى NoLiMa، أُجري عام 2025، أن طول السياق الفعّال لدى كثير من النماذج — النقطة التي تبدأ بعدها الاعتمادية الحقيقية بالتراجع — كان حوالي 2000 رمز، جزء صغير من الـ100 ألف رمز أو أكثر التي تزعم معظم هذه النماذج التعامل معها.

تتفاقم المشكلة مع عملاء الذكاء الاصطناعي الذين يعملون عبر خطوات متعددة لا سؤالاً واحداً. وجدت ورقة بحثية أولية من يونيو 2026 حول البحث طويل المدى أن تراكم سياق العميل خلال مهمة متعددة الخطوات يزيد ميله إلى الاستسلام مبكراً أو تقديم إجابات غير مؤكدة بدلاً من إكمال المهمة — عكس ما يُفترض بأداة مصممة للعمل بشكل مستقل لفترات أطول. اختبرت الورقة نفسها سبع استراتيجيات تخفيف عبر ثلاث فئات، ووجدت أن التلخيص الدوري وتقليم السياق — إزالة المعلومات القديمة فعلياً بدلاً من تركها تتراكم — يتفوقان على الاعتماد على نموذج بنافذة أكبر فقط.

لماذا يحدث هذا

يعود التفسير الآلي إلى طريقة عمل الانتباه في نماذج المحوّلات (Transformers): يتنافس كل رمز في السياق على حصة محدودة من ميزانية انتباه النموذج. إضافة رموز أكثر تعني أن كل رمز، في المتوسط، يحصل على حصة أقل من تلك الميزانية — حتى الرموز المهمة. النموذج لا يقرأ محادثتك كما تقرأ هذا المقال، بشكل تسلسلي وبذاكرة كاملة؛ بل يعيد توزين كل شيء في النافذة مع كل إجابة، ونافذة أكبر تعني فقط منافسة أكبر على نفس السعة الثابتة.

وجدت بعض الفرق أن التراجع ليس تدريجياً دائماً — تصف بعض التقارير نماذج تحافظ على أداء ثابت حتى عتبة طول معينة، ثم تنهار بشكل حاد، بدلاً من تراجع سلس. لم يحسم المجتمع البحثي هذه النقطة، لكن كلا الفريقين يتفقان على الاستنتاج الأساسي: حجم السياق الخام سقف، لا ضمانة، وكثير من الاستخدام الفعلي يتجاوز نقطة الأداء الموثوق قبل الوصول إلى ذلك السقف بكثير.

ماذا يعني هذا لمستخدمي أدوات الذكاء الاصطناعي اليوميين

بالنسبة لمستخدم روبوت الدردشة اليومي، الحل العملي بسيط ومتاح فعلاً: ابدأ محادثات جديدة أكثر. إذا كنت تتبادل الحديث مع مساعد لمدة 45 دقيقة عبر عشرات تغييرات الموضوع، لا تفترض أنه لا يزال يملك فهماً واضحاً لسؤالك الأصلي — فهو على الأرجح يغرق في تاريخ محادثته الخاص. إعادة صياغة سؤالك الفعلي بوضوح، بدلاً من الاعتماد على النموذج لاستخراجه من السجل، يساعد بشكل قابل للقياس.

لكل من يبني فوق هذه النماذج — روبوتات الدردشة، الأدوات الداخلية، عملاء الذكاء الاصطناعي الذين يديرون مهام متعددة الخطوات — الاستنتاج أكثر تحديداً: لا تعامل نافذة السياق الكبيرة كبديل للاسترجاع والتلخيص. إلقاء قاعدة معرفية كاملة أو قاعدة كود أو مجموعة وثائق في السياق لمجرد أن النافذة تستوعبها فنياً هو بالضبط نمط الفشل الذي تصفه الأبحاث. ضغط السياق بشكل دوري، واسترجاع فقط ما يتعلق بالخطوة الحالية، وإعادة صياغة القيود الأساسية بوضوح قرب نهاية الطلب الطويل — حيث تقرأ النماذج بشكل أكثر اعتمادية — كل هذا يتفوق بشكل قابل للقياس على الاعتماد على حجم النافذة وحده.

الدرس الأوسع هو أن «حجم نافذة السياق» و«السياق القابل للاستخدام» رقمان مختلفان، والفجوة بينهما غالباً أكبر بكثير مما تشير إليه أوراق مواصفات الشركات. تعامل مع حجم النافذة كما تتعامل مع السعة المُعلَنة لقرص صلب مقابل مساحته الفعلية القابلة للاستخدام — رقم حقيقي، لكنه ليس الرقم الذي يجب أن يوجّه سير عملك الفعلي.