Context Rot

تآكل السياق (Context rot) هو الفقدان التدريجي موثوقية النموذج الذي يحدث عندما يتلقى نموذج الذكاء الاصطناعي سياقاً أكبر مما يمكنه استخدامه بفاعلية. حتى عندما تستطيع نافذة السياق المُعلنة تقنياً استيعاب مئات الآلاف من الرموز (Tokens)، فقد يتغاضى نموذج اللغات الكبير عن الحقائق ذات الصلة، أو يتبع إرشادات قديمة، أو يقل استنتاجه دقة كلما زاد حجم المدخلات. وقد لاحظت دراسة Chroma context rot study لعام 2025 هذا الأداء غير المتجانس عبر 18 نموذجاً وعدة مهام خاضعة للتحكم. (trychroma.com)

كيف يحدث تدهور السياق#

تضع المدخلات الطويلة متطلبات أكبر على آلية الانتباه الخاصة بالنموذج. يجب أن تتنافس الأدلة المهمة مع التعليمات المتكررة، والمستندات غير ذات الصلة، ومخرجات الأدوات، وجولات المحادثة القديمة. يمكن لموقع السياق، والتشابه الدلالي، والحقائق المتضاربة، وتعقيد المهمة أن تؤثر جميعها على ما يستخدمه النموذج.

وجد معيار RULER للسياق الطويل لعام 2024 أن النماذج التي أدت بشكل جيد في مهام الاسترجاع البسيطة غالباً ما تراجع أداؤها مع زيادة طول التسلسل وتعقيد المهمة. وكشف معيار NoLiMa لعام 2025 عن انخفاضات أكبر عندما تطلب العثور على إجابة استدلالاً دلالياً بدلاً من مطابقة الكلمات المتطابقة. لذلك، لا يوجد عدد رموز شامل — بما في ذلك نماذج Gemini — يبدأ عنده تآكل السياق؛ بل تعتمد عتبة الحد على النموذج، وبنية الموجه، والمهمة. (arxiv.org)

أمثلة من العالم الحقيقي#

• مساعدو دعم العملاء: قد يُعطى روبوت محادثة زُود بسنوات من التذاكر أولوية لسياسة قديمة أو يفوته تحديث حديث للحساب. تُظهر الأبحاث التي تستخدم ذاكرة محادثات LongMemEval ومعيار LoCoMo متعدد الوسائط أن استخراج وتحديث والاستدلال عبر تواريخ تفاعل طويلة يمثل تحدياً مستمراً. (arxiv.org)
• وكلاء الفحص البصري: يمكن أن يصبح نموذج الرؤية واللغة الذي يراقب المصنع أقل موثوقية إذا تم وضع كل إطار واكتشاف وسجل صيانة في موجه واحد. يستخدم سير العمل الأفضل Ultralytics YOLO26 لاستخراج حقائق بصريّة موجزة قبل استدلال نموذج اللغة.
• وكلاء البرمجة: يمكن لتحميل مستودع بأكمله، وكل تعريف للأداة، وسجل طرفية كامل أن يحجب الهدف الحالي. توصي إرشادات هندسة السياق من Anthropic بتنظيم السياق، بينما يقوم نهج Agent Skills الخاص بها بتحميل الموارد التفصيلية فقط عند الحاجة. (anthropic.com)

يوضح سير عمل التنبؤ في YOLO هذا كيفية تحويل الاكتشافات الخام إلى سياق مدمج ومنظم:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls]
context = {"frame": 1, "objects": sorted(set(labels))}
print(context)

كيفية تقليل تدهور السياق#

• استرداد الأدلة ذات الصلة فقط: استخدم التجزئة الدلالية ومُعيد الترتيب بدلاً من إرسال كل مستند متاح.
• ضغط المعلومات القديمة: استبدل السجلات الطويلة بالملخصات والقرارات والمهام غير المُحسمة التي تم التحقق منها. تشير الأبحاث إلى أن طول المدخلات يمكن أن يقلل الأداء حتى بعد الاسترجاع الناجح. (arxiv.org)
• الحفاظ على البادئات الثابتة: يمكن لـ التخزين المؤقت للموجهات في OpenAI والتخزين المؤقت لسياق Gemini خفض تكاليف المعالجة المتكررة، على الرغم من أن التخزين المؤقت وحدَه لا يحسن جودة السياق.
• استخدام النوافذ المنزلقة: تُوصي Google بـ ضغط نافذة السياق للجلسات الحية الطويلة، مع الاحتفاظ بالمعلومات الحديثة وإزالة الرموز الأقدم. (ai.google.dev)
• التقييم بأطوال واقعية: طبق مراقبة النموذج وأعد إنتاج الاختبارات المُتحكم بها باستخدام مجموعة أدوات تآكل السياق المفتوحة.

يختلف تآكل السياق عن الهلوسة التي تتمثل في مخرجات غير مدعومة، وعن النسيان الكارثي الذي يغير معرفة النموذج أثناء التدريب، وعن انحراف البيانات الذي يعكس مدخلات الإنتاج المتغيرة. يُعد تآكل السياق في الأساس خطأً في وقت الاستدلال يتعلق باختيار السياق والاستدلال، مما يجعل هندسة السياق الفعالة دفاعها الرئيسي.