作者：郑忠琴发布时间：2026-06-16 22:54:26 点击数：96285

本月行业协会披露新研究动态赵雅芝米雪合唱《漫步人生路》很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

重庆市市辖区北碚区四川省宜宾市江安县北辰区广源街道桥西区东华街道桥西区苑东街道合肥市庐阳区广东省珠海市斗门区巴音郭楞蒙古自治州和硕县黑龙江省鸡西市鸡冠区山西省忻州市定襄县四川省宜宾市珙县甘肃省甘南藏族自治州桥西区留营街道湖北省恩施土家族苗族自治州恩施市海南省三沙市西沙区鹿泉区寺家庄镇焦作市沁阳市四川省成都市新都区塔城地区和布克赛尔蒙古自治县江苏省徐州市山东省烟台市龙口市南开区长虹街道百色市田林县四川省甘孜藏族自治州青海省果洛藏族自治州海南省海口市美兰区西藏山南市贡嘎县喀什地区麦盖提县江西省宜春市宜丰县山东省滨州市贵州省六盘水市水城县武清区上马台镇山西省朔州市山阴县山西省晋中市灵石县辽宁省辽阳市白塔区福建省南平市建瓯市巴音郭楞蒙古自治州和硕县桥西区东华街道焦作市中站区贵州省铜仁市印江土家族苗族自治县朝阳区豆各庄地区四川省泸州市江阳区福建省莆田市仙游县焦作市中站区武清区上马台镇平山县东回舍镇江西省宜春市奉新县山西省吕梁市中阳县山东省青岛市城阳区喀什地区麦盖提县山东省烟台市牟平区广东省深圳市西藏山南市贡嘎县河东区东新街道黑龙江省哈尔滨市巴彦县云南省红河哈尼族彝族自治州绿春县山东省威海市隆安县鹿泉区寺家庄镇辽宁省铁岭市清河区昌平区小汤山镇怀柔区龙山街道吉林省白山市浑江区丰台区右安门街道四川省广安市岳池县鹿泉区寺家庄镇陕西省宝鸡市眉县辽宁省铁岭市开原市陕西省商洛市山阳县四川省德阳市广汉市广东省广州市越秀区青海省海北藏族自治州门源回族自治县四川省成都市新都区朝阳区豆各庄地区延庆区康庄镇甘肃省庆阳市镇原县平顶山市卫东区密云区古北口镇湖北省恩施土家族苗族自治州建始县湖北省恩施土家族苗族自治州建始县福建省漳州市龙海市平山县小觉镇塔城地区和布克赛尔蒙古自治县贵州省安顺市普定县辽宁省沈阳市浑南区陕西省汉中市南郑区山西省阳泉市平定县山东省威海市青海省海西蒙古族藏族自治州德令哈市山东省聊城市茌平区朝阳区双井街道赞皇县西龙门乡青海省海南藏族自治州贵德县桥西区留营街道濮阳市南乐县桥西区东华街道四川省成都市金牛区博尔塔拉蒙古自治州温泉县隆安县井陉县吴家窑乡

本月研究机构公开新进展DeepSeek V4最大的遗憾，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

湖北省宜昌市西陵区四川省甘孜藏族自治州湖北省宜昌市西陵区陕西省商洛市山阳县长安区南村镇蓟州区东二营镇内蒙古鄂尔多斯市鄂托克旗湖北省宜昌市宜都市黑龙江省哈尔滨市巴彦县辽宁省沈阳市百色市靖西市青秀区四川省甘孜藏族自治州山东省青岛市城阳区山西省忻州市宁武县广东省广州市越秀区山东省潍坊市青州市广东省汕头市南澳县四川省凉山彝族自治州西昌市密云区不老屯镇洛阳市汝阳县江西省吉安市永新县吉林省长春市双阳区西藏拉萨市达孜区重庆市市辖区北碚区山西省忻州市宁武县四川省乐山市延庆区康庄镇辽宁省朝阳市北票市西藏阿里地区日土县广东省汕头市南澳县黑龙江省伊春市金林区大兴区西藏阿里地区日土县黑龙江省大兴安岭地区呼玛县青海省海西蒙古族藏族自治州德令哈市行唐县龙州镇海淀区青龙桥街道巴音郭楞蒙古自治州和硕县山西省忻州市定襄县蚌埠市龙子湖区辽宁省本溪市溪湖区云南省普洱市景东彝族自治县山东省德州市齐河县四川省甘孜藏族自治州福建省南平市赞皇县院头镇四川省成都市新都区江西省吉安市吉安县平顶山市湛河区四川省甘孜藏族自治州九龙县喀什地区叶城县黑龙江省伊春市金林区江西省赣州市石城县怀柔区宝山镇西城区月坛街道朝阳区酒仙桥街道和田地区山西省晋中市太谷区重庆市县巫山县宝坻区牛家牌镇无极县大陈镇辽宁省锦州市义县长安区南村镇陕西省汉中市南郑区青秀区马鞍山市博望区广东省云浮市新兴县蓟州区东二营镇山东省威海市赞皇县院头镇山西省晋中市太谷区山东省威海市辽宁省铁岭市开原市青秀区四川省凉山彝族自治州昭觉县昌平区回龙观街道山西省长治市襄垣县井陉县测鱼镇密云区古北口镇江西省九江市武宁县阿克苏地区拜城县四川省凉山彝族自治州甘洛县四川省甘孜藏族自治州泸定县和田地区北辰区广源街道山东省青岛市城阳区辽宁省锦州市义县桥西区留营街道怀柔区宝山镇辽宁省沈阳市沈河区福建省福州市永泰县乌鲁木齐市沙依巴克区海南省儋州市江西省吉安市吉安县四川省凉山彝族自治州甘洛县行唐县龙州镇广东省珠海市斗门区四川省乐山市山东省烟台市牟平区

全球服务区域:山西省忻州市宁武县广东省汕头市南澳县静海区西翟庄镇朝阳区豆各庄地区广东省惠州市龙门县陕西省宝鸡市千阳县昌平区小汤山镇大兴区山东省潍坊市青州市黑龙江省鸡西市鸡冠区陕西省宝鸡市眉县山东省威海市重庆市县巫山县陕西省汉中市西乡县山西省忻州市定襄县贵州省六盘水市水城县云南省西双版纳傣族自治州勐腊县广东省云浮市新兴县山西省临汾市安泽县焦作市怀柔区龙山街道钦州市北海市海城区塔城地区和布克赛尔蒙古自治县井陉县吴家窑乡平山县小觉镇青海省果洛藏族自治州上海市市辖区嘉定区黑龙江省大兴安岭地区呼玛县南开区体育中心街道福建省南平市山东省威海市辽宁省锦州市义县哈密市伊吾县山东省烟台市牟平区开封市通许县贵州省六盘水市水城县江西省宜春市宜丰县蚌埠市龙子湖区山西省忻州市宁武县内蒙古鄂尔多斯市康巴什区合肥市庐阳区陕西省西安市未央区蓟州区东赵各庄镇山西省朔州市山阴县福建省南平市建瓯市四川省乐山市甘肃省定西市渭源县甘肃省天水市秦州区湖北省宜昌市秭归县湖北省宜昌市西陵区黑龙江省伊春市金林区昌平区小汤山镇贵州省铜仁市玉屏侗族自治县山东省泰安市东平县贵州省安顺市普定县广东省深圳市密云区高岭镇山东省泰安市泰山区山东省德州市齐河县陕西省商洛市山阳县贵州省六盘水市水城县黑龙江省鹤岗市静海区西翟庄镇河西区桃园街道黑龙江省佳木斯市汤原县山东省滨州市江苏省徐州市新沂市许昌市建安区辽宁省朝阳市北票市西城区天桥街道信阳市平桥区广东省汕头市南澳县广东省云浮市新兴县山西省长治市襄垣县大兴区朝阳区双井街道桥西区东华街道崇左市密云区河南寨镇辽宁省大连市旅顺口区广东省佛山市三水区宝坻区牛家牌镇山西省吕梁市岚县青海省海南藏族自治州贵德县海淀区青龙桥街道昌平区延寿镇贵州省铜仁市玉屏侗族自治县广东省汕头市龙湖区崇左市蚌埠市龙子湖区山西省晋城市高平市怀柔区雁栖地区朝阳区双井街道海淀区青龙桥街道海南省海口市美兰区海淀区青龙桥街道四川省成都市新都区青海省海南藏族自治州贵德县防城港市东兴市

今日行业协会更新行业报告DeepSeek V4最大的遗憾，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：云南省红河哈尼族彝族自治州绿春县黑龙江省佳木斯市富锦市延庆区康庄镇黑龙江省佳木斯市汤原县隆安县江苏省徐州市新沂市海南省儋州市甘肃省天水市秦州区湖北省襄阳市襄州区山东省聊城市冠县山西省朔州市山阴县南阳市内乡县广东省深圳市广东省珠海市斗门区桥西区东华街道内蒙古锡林郭勒盟镶黄旗钦州市广东省云浮市新兴县河东区大直沽街道崇左市江苏省苏州市相城区焦作市青海省玉树藏族自治州治多县江西省九江市武宁县静海区大邱庄镇丰台区和义街道山西省运城市夏县桥西区留营街道海南省海口市美兰区广东省惠州市龙门县亳州市利辛县怀柔区雁栖地区山东省东营市垦利区山东省聊城市冠县湖北省宜昌市夷陵区西乡塘区甘肃省甘南藏族自治州辽宁省大连市旅顺口区四川省甘孜藏族自治州丹巴县黑龙江省大兴安岭地区呼玛县四川省成都市新都区云南省文山壮族苗族自治州广南县上海市市辖区嘉定区江苏省镇江市句容市福建省厦门市海沧区静海区西翟庄镇上海市市辖区嘉定区贵州省铜仁市玉屏侗族自治县江苏省南通市启东市黑龙江省伊春市金林区武清区上马台镇云南省西双版纳傣族自治州勐腊县井陉县测鱼镇阿克苏地区拜城县山西省吕梁市岚县广东省广州市越秀区山西省吕梁市岚县湖北省宜昌市夷陵区甘肃省天水市秦州区朝阳区管庄地区西藏山南市贡嘎县和平区南市街道四川省遂宁市蓬溪县山西省忻州市宁武县广东省汕头市龙湖区怀柔区雁栖地区江西省吉安市吉安县广东省汕头市南澳县元氏县丰台区右安门街道山西省晋中市灵石县甘肃省兰州市陕西省咸阳市兴平市福建省莆田市仙游县江西省九江市武宁县河西区桃园街道山东省淄博市临淄区四川省凉山彝族自治州昭觉县内蒙古乌海市乌达区四川省宜宾市翠屏区福建省厦门市海沧区百色市田林县四川省甘孜藏族自治州丹巴县江西省吉安市吉安县辽宁省锦州市义县隆安县大兴区四川省凉山彝族自治州西昌市内蒙古鄂尔多斯市康巴什区行唐县龙州镇甘肃省陇南市武都区四川省乐山市濮阳市南乐县福建省福州市永泰县蓟州区官庄镇行唐县龙州镇贵州省黔南布依族苗族自治州惠水县贵州省六盘水市水城县陕西省汉中市西乡县江西省九江市武宁县

售后服务上门服务电话，智能分配单据：DeepSeek V4最大的遗憾

henry 发自凹非寺量子位 | 公众号 QbitAI

DeepSeekV4的技术报告里有mHC，有CSA，有HCA，有Muon，有FP4……

唯独没有Engram。

Engram去哪了？

这个话题一度成为网友们讨论的热点。

Engram在今年1月由DeepSeek和北大联合开源，主要研究大模型的记忆与效率问题。

自挂上arXiv的那一刻起，圈子里围绕它的探讨就没有停止过…

不仅仅因为它是V4的前奏，而是有了Engram，「伦敦是英国首都」这种事实，模型不用动用整个深层网络去重新推一遍，直接查就行。

不仅省显存，还能释放深层网络容量，用于更高阶的推理。

正因如此，自1月初论文发表以来，所有人都觉得，Engram就是V4的架构地基，所有人都在盼。

以至于V4发表后，大家第一时间就是command+f去论文里找Engram，可惜并没有。

以至于不少网友甚至觉得，没有Engram，V4就是不完整的。

没有Engram，可能是DeepSeekV4最大的遗憾。

不过，Engram并没有消失。随后三篇值得注意的论文接力出现：

CXL内存池化版本：把Engram放进多机共享的CXL内存池，解决大模型多机部署的存储问题。无冲突热层实验：对Engram的多头哈希优化进行了实证检验，证伪了一些直觉式改进方案。视觉Tiny Engram：AutoArk团队把文本Engram搬到视觉模态，扩展了它的应用边界。

所以，虽然V4没有Engram，但它的理念、探索和后续应用已经悄然铺开，为下一代模型打下基础。

Engram到底是什么

把时间倒回2026年1月12日。

那一天，DeepSeek联合北大放出了一篇33页的论文《ConditionalMemoryviaScalableLookup》。第一作者ChengXin，北大博士生，曾经署名过V3。最后一位作者，梁文锋。

先来一句话速通版，Engram是给Transformer加的一个原生知识查表模块。能查的别算，先查一下。

团队的核心观察是，语言建模其实包含两种性质完全不同的任务，一种是需要深度动态计算的组合推理，另一种是检索静态知识。

之前的问题在于，Transformer把这两件事混在一起做。模型识别一个实体时，得消耗好几层注意力和前馈网络逐层拼凑特征。

论文里举了个例子，「Diana，Princess of Wales」。模型要走6层才能把这个识别完。

前几层还在纠结「Wales是英国的一个地区」、「Princess of Wales是某种头衔」这些中间状态，最后一层才反应过来这是戴安娜王妃。

这种「用昂贵的运行时计算重建一个静态查找表」的活，本来可以让深层网络去干更高阶的推理。

对此，Engram的思路相当直接，既然经典的N-gram模型就能用O(1)的时间复杂度捕获这些局部依赖，那干脆把这能力直接嵌进Transformer。

打个比方，就像你做数学题，该用的公式不必每次从头推一遍，翻表代进去就行。Transformer之前没这张表，只能每道题都从公理走起。Engram等于把这张表交到模型手里。

具体做法是，在Transformer的第2层和第15层之间各插入一个Engram模块。

每个位置的输入会触发一次哈希查找，把当前token和前面几个token组成的N-gram映射到一个巨大的嵌入表里，直接取出对应的向量。

门控机制保证查到的内容跟当前上下文不匹配时自动屏蔽。比如「张」是个常见姓氏，但「张仲景」三个字凑一起就是固定历史人物实体了，门控就负责认出这种区别。

Engram的定位是MoE之外的另一条稀疏轴。MoE是把计算稀疏化，只激活一部分专家。Engram是把存储稀疏化，只查一部分条目。两者互补，不冲突。

论文最核心的一段实验，是固定总参数和每token激活参数，然后让MoE专家和Engram记忆抢预算，得到一条U形曲线。

纯MoE不是最优解。把大约20%-25%的稀疏参数分给Engram，模型loss达到最低点。

按这个曲线指导，团队把Engram扩到27B验证。激活参数3.8B，训练262B tokens，严格跟MoE-27B基线对齐。

结果知识密集型任务的提升符合预期(MMLU +3.4，CMMLU +4.0)，但通用推理和代码数学的提升超出预期(BBH +5.0，ARC-Challenge +3.7，HumanEval +3.0，MATH +2.4)，长上下文场景更夸张，Multi-Query NIAH从84.2%跃升到97.0%。

那么，为什么记忆模块还能反过来提升推理?

LogitLens和CKA给出了答案，Engram-27B第5层的表征，跟MoE基线第12层的表征最相似。

Engram把模型的早期层从「重建静态知识」这种苦力活里解放出来，这部分网络深度被腾出来做更复杂的推理。Engram不是新增了一块记忆，它还变相把网络加深了。

工程上。论文把一个1000亿参数的Engram表整个甩到host DRAM，在H800上跑推理，8B-Dense的吞吐损失只有2.8%。

靠的是Engram索引的确定性，只取决于输入token序列，完全可以提前算，CPU异步预取跟GPU计算重叠。

可以说，这个模块天生就不靠HBM，只可惜如今V4来了，Engram没来。

没在v4，但在其他地方

发明者把它放在那里没动，但路上还是有人。三个月里，至少出现了三个值得说一下的工作。

把Engram塞进CXL内存池

3月10日，北大、阿里云、山东英信、人大、港大联合发了一篇系统论文，《Pooling Engram Conditional Memory in Large Language Models using CXL》。

他们没改Engram本身，而是回答了一个更工程的问题，如果Engram真的成了下一代标配，内存放哪。

答案是CXL内存池化。GPU HBM放计算权重，本地DRAM做二级缓存，CXL池做三级。8台服务器共享4TB内存池，XConn XC50256交换芯片做拓扑，512GB/s带宽。

整套集成进SGLang，做了预取-计算重叠，跑下来端到端吞吐损失小于5%。Engram论文里那句「1000亿嵌入表卸载DRAM」的轻描淡写，被他们做成了27B和40B两个规模的真实测试。

结论很清楚，Engram这种确定性寻址、可预取的负载，几乎是为CXL量身定做的。

一个反直觉的实验

Engram论文上线第十一天，1月23日，一个叫TaoLin的研究者，单作者，放出了《A Collision-FreeHot-Tier Extension for Engram-Style Conditional Memory》。

他想验证一个看上去显然的优化，Engram用多头哈希查表会有冲突，如果把高频N-gram用Minimal Perfect Hash Function完全消除冲突，模型会不会更好。

他设计了Engram-Nine，把记忆分成无冲突的「热层」和保留多头哈希的「冷层」。

结果反直觉。在严格iso-parameter控制下，无冲突设计没有稳定提升验证loss。

route-stratified评估还发现，训练初期热路径(高频)loss更低，但训练后期冷路径反过来超过热路径。

一个看上去显然的优化方向，被一个真做实验的人证伪了。

把Engram推到视觉(AutoArk/TinyEngram)

GitHub上一个叫AutoArk的团队搞了Tiny Engram。

基于Qwen-3完整复现文本Engram之后，他们做了一件论文里没做的事，把Engram搬到Stable Diffusion上。

视觉patch经过分层编码，底层抓纹理，中层抓部件，高层抓风格，然后整套丢进哈希查表。

跟LoRA比下来，达到同等效果，Engram需要的额外参数只有LoRA的15%到30%。连续注入多个新概念时，LoRA会出现明显的概念退化，Engram不会。

Engram原本是为文本设计的。AutoArk等于把这扇门撞开了，凡是能离散化、能哈希的模态，Engram都能搬。

三个月里，Engram这条路上，发明者最沉默，跟进者各自走了一步。

一个团队替它解决多机内存层级，一个独立研究者证伪了它一个看似显然的优化方向，一个开源团队把它推到了视觉。

而deepseek-ai/Engram这个仓库，最后一次提交还停在1月14日。

One more thing

Engram论文的摘要结尾有一句话：

华体汇(中国)认为条件记忆将是下一代稀疏模型不可或缺的建模原语。

看来，这个下一代得是V5了，难不成会是V4.1?

[1]https://arxiv.org/pdf/2601.07372

[2]https://arxiv.org/pdf/2603.10087

[3]https://arxiv.org/pdf/2601.16531

今日行业协会发布行业动态DeepSeek V4最大的遗憾

henry 发自凹非寺量子位 | 公众号 QbitAI

DeepSeekV4的技术报告里有mHC，有CSA，有HCA，有Muon，有FP4……

唯独没有Engram。

Engram去哪了？

这个话题一度成为网友们讨论的热点。

Engram在今年1月由DeepSeek和北大联合开源，主要研究大模型的记忆与效率问题。

自挂上arXiv的那一刻起，圈子里围绕它的探讨就没有停止过…

不仅仅因为它是V4的前奏，而是有了Engram，「伦敦是英国首都」这种事实，模型不用动用整个深层网络去重新推一遍，直接查就行。

不仅省显存，还能释放深层网络容量，用于更高阶的推理。

正因如此，自1月初论文发表以来，所有人都觉得，Engram就是V4的架构地基，所有人都在盼。

以至于V4发表后，大家第一时间就是command+f去论文里找Engram，可惜并没有。

以至于不少网友甚至觉得，没有Engram，V4就是不完整的。

没有Engram，可能是DeepSeekV4最大的遗憾。

不过，Engram并没有消失。随后三篇值得注意的论文接力出现：

所以，虽然V4没有Engram，但它的理念、探索和后续应用已经悄然铺开，为下一代模型打下基础。

Engram到底是什么

把时间倒回2026年1月12日。

那一天，DeepSeek联合北大放出了一篇33页的论文《ConditionalMemoryviaScalableLookup》。第一作者ChengXin，北大博士生，曾经署名过V3。最后一位作者，梁文锋。

先来一句话速通版，Engram是给Transformer加的一个原生知识查表模块。能查的别算，先查一下。

团队的核心观察是，语言建模其实包含两种性质完全不同的任务，一种是需要深度动态计算的组合推理，另一种是检索静态知识。

之前的问题在于，Transformer把这两件事混在一起做。模型识别一个实体时，得消耗好几层注意力和前馈网络逐层拼凑特征。

论文里举了个例子，「Diana，Princess of Wales」。模型要走6层才能把这个识别完。

前几层还在纠结「Wales是英国的一个地区」、「Princess of Wales是某种头衔」这些中间状态，最后一层才反应过来这是戴安娜王妃。

这种「用昂贵的运行时计算重建一个静态查找表」的活，本来可以让深层网络去干更高阶的推理。

对此，Engram的思路相当直接，既然经典的N-gram模型就能用O(1)的时间复杂度捕获这些局部依赖，那干脆把这能力直接嵌进Transformer。

具体做法是，在Transformer的第2层和第15层之间各插入一个Engram模块。

每个位置的输入会触发一次哈希查找，把当前token和前面几个token组成的N-gram映射到一个巨大的嵌入表里，直接取出对应的向量。

Engram的定位是MoE之外的另一条稀疏轴。MoE是把计算稀疏化，只激活一部分专家。Engram是把存储稀疏化，只查一部分条目。两者互补，不冲突。

论文最核心的一段实验，是固定总参数和每token激活参数，然后让MoE专家和Engram记忆抢预算，得到一条U形曲线。

纯MoE不是最优解。把大约20%-25%的稀疏参数分给Engram，模型loss达到最低点。

按这个曲线指导，团队把Engram扩到27B验证。激活参数3.8B，训练262B tokens，严格跟MoE-27B基线对齐。

那么，为什么记忆模块还能反过来提升推理?

LogitLens和CKA给出了答案，Engram-27B第5层的表征，跟MoE基线第12层的表征最相似。

工程上。论文把一个1000亿参数的Engram表整个甩到host DRAM，在H800上跑推理，8B-Dense的吞吐损失只有2.8%。

靠的是Engram索引的确定性，只取决于输入token序列，完全可以提前算，CPU异步预取跟GPU计算重叠。

可以说，这个模块天生就不靠HBM，只可惜如今V4来了，Engram没来。

没在v4，但在其他地方

发明者把它放在那里没动，但路上还是有人。三个月里，至少出现了三个值得说一下的工作。

把Engram塞进CXL内存池

3月10日，北大、阿里云、山东英信、人大、港大联合发了一篇系统论文，《Pooling Engram Conditional Memory in Large Language Models using CXL》。

他们没改Engram本身，而是回答了一个更工程的问题，如果Engram真的成了下一代标配，内存放哪。

答案是CXL内存池化。GPU HBM放计算权重，本地DRAM做二级缓存，CXL池做三级。8台服务器共享4TB内存池，XConn XC50256交换芯片做拓扑，512GB/s带宽。

结论很清楚，Engram这种确定性寻址、可预取的负载，几乎是为CXL量身定做的。

一个反直觉的实验

Engram论文上线第十一天，1月23日，一个叫TaoLin的研究者，单作者，放出了《A Collision-FreeHot-Tier Extension for Engram-Style Conditional Memory》。

他想验证一个看上去显然的优化，Engram用多头哈希查表会有冲突，如果把高频N-gram用Minimal Perfect Hash Function完全消除冲突，模型会不会更好。

他设计了Engram-Nine，把记忆分成无冲突的「热层」和保留多头哈希的「冷层」。

结果反直觉。在严格iso-parameter控制下，无冲突设计没有稳定提升验证loss。

route-stratified评估还发现，训练初期热路径(高频)loss更低，但训练后期冷路径反过来超过热路径。

一个看上去显然的优化方向，被一个真做实验的人证伪了。

把Engram推到视觉(AutoArk/TinyEngram)

GitHub上一个叫AutoArk的团队搞了Tiny Engram。

基于Qwen-3完整复现文本Engram之后，他们做了一件论文里没做的事，把Engram搬到Stable Diffusion上。

视觉patch经过分层编码，底层抓纹理，中层抓部件，高层抓风格，然后整套丢进哈希查表。

跟LoRA比下来，达到同等效果，Engram需要的额外参数只有LoRA的15%到30%。连续注入多个新概念时，LoRA会出现明显的概念退化，Engram不会。

Engram原本是为文本设计的。AutoArk等于把这扇门撞开了，凡是能离散化、能哈希的模态，Engram都能搬。

三个月里，Engram这条路上，发明者最沉默，跟进者各自走了一步。

一个团队替它解决多机内存层级，一个独立研究者证伪了它一个看似显然的优化方向，一个开源团队把它推到了视觉。

而deepseek-ai/Engram这个仓库，最后一次提交还停在1月14日。

One more thing

Engram论文的摘要结尾有一句话：

华体汇(中国)认为条件记忆将是下一代稀疏模型不可或缺的建模原语。

看来，这个下一代得是V5了，难不成会是V4.1?

[1]https://arxiv.org/pdf/2601.07372

[2]https://arxiv.org/pdf/2603.10087

[3]https://arxiv.org/pdf/2601.16531

来源：海量财经官方账号

华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-人人为我我为人人论坛-人人为我我为人人论坛2026最新N.19.88.89-2265安卓网

华体汇电竞-华体汇(中国)

赵雅芝米雪合唱《漫步人生路》

华体汇电竞-华体汇(中国):赵雅芝米雪合唱《漫步人生路》

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

63.55MB

版本{版本}

下载APK 高速下载

下载再DeepSeek V4最大的遗憾安装你想要的应用更方便更快捷发现更多

32%好评(16人)

详细信息

软件大小:83.45MB
最后更新:2026-06-16 22:54:26
最新版本:{版本}
文件格式:apk
应用分类:ios-AndroidDeepSeek V4最大的遗憾
使用语言:中文
:需要联网
系统要求:8.70以上

应用介绍

?第一步：访问《DeepSeek V4最大的遗憾》官网?首先,打开您的浏览器,输入《DeepSeek V4最大的遗憾》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《DeepSeek V4最大的遗憾》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《DeepSeek V4最大的遗憾》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《DeepSeek V4最大的遗憾》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《DeepSeek V4最大的遗憾》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《DeepSeek V4最大的遗憾》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。??
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《DeepSeek V4最大的遗憾》网站的条款，恭喜您！您已经成功注册了《DeepSeek V4最大的遗憾》网站账户。现在，您可以畅享《DeepSeek V4最大的遗憾》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!?
【联系华体汇(中国)】
客服热线

加载更多

版本更新

{版本}

DeepSeek V4最大的遗憾