لدينا أخبار مفاجئة من عالم الذكاء الاصطناعي: إعطاء نماذج الذكاء الاصطناعي الكثير من المعلومات يجعلها أسوأ في عملها! هذا صحيح، فبدلاً من أن تتحسن بقدرتها على الفهم مع النصوص الطويلة، فإنها تتدهور. ماذا يعني هذا لك؟ ببساطة، قد تكون أوامرك الطويلة للذكاء الاصطناعي تضر بدقة استجابته.

لفترة طويلة، اعتقدنا أن سياق الإدخال الأكبر يعني أداءً أفضل، لكن الأبحاث الحديثة أظهرت عكس ذلك. أطلقت على هذه الظاهرة اسم «تعفن السياق». فكر في الأمر: إذا طلبت من زميل جديد وذكي تلخيص مشكلة ما، هل تعطيه صفحة واحدة بالحقائق الأساسية أم 400 صفحة من محاضر الاجتماعات مع تلك الحقائق مدفونة في مكان ما؟ بالتأكيد ستختار الصفحة الواحدة. ومع ذلك، نفعل العكس مع نماذج الذكاء الاصطناعي كل يوم.

في يوليو 2025، نشر الباحثون كيلي هونغ، أنتون تروينكوف، وجيف هوبر من Chroma تقريراً تقنياً هاماً. درسوا 18 نموذجاً من كبرى الشركات مثل Anthropic وOpenAI وGoogle وAlibaba، بما في ذلك Claude Opus 4 وGPT-4.1 وGemini 2.5 Pro وQwen3. كانت طريقتهم واضحة: أبقوا المهمة نفسها، وزادوا طول المدخلات، وراقبوا النتائج.

أحد أوضح الاختبارات استخدم معيار LongMemEval. طُلب من كل نموذج الإجابة على سؤالين حول تاريخ محادثة طويل. مرة باستخدام تاريخ المحادثة بالكامل (حوالي 113,000 رمز)، ومرة أخرى باستخدام مقتطف صغير وذو صلة فقط (حوالي 300 رمز). كانت الإجابة موجودة في كلتا النسختين. وكانت المفاجأة أن كل نموذج أظهر أداءً أفضل بكثير مع النسخة الأقصر ذات الـ 300 رمز.

ما يعنيه هذا هو أن الـ 112,700 رمز الإضافية في النسخة الطويلة لم تضيف أي معلومة مفقودة؛ بل أضافت فقط أشياء يجب على النموذج البحث فيها. وهذا وحده كان كافياً لخفض درجة الأداء. حتى في المهام البسيطة مثل العثور على كلمة مختلفة في قائمة متكررة، أظهرت النماذج ضعفاً عند زيادة طول السياق. لذلك، تذكر، قد يكون الأقل هو الأكثر عندما يتعلق الأمر بمدخلات الذكاء الاصطناعي.