作者：林家佑发布时间：2026-06-13 22:44:04 点击数：81801

刚刚研究机构公开最新成果专家称解放军处置荷兰舰机相当克制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

广东省珠海市斗门区云南省玉溪市新平彝族傣族自治县辽宁省沈阳市沈河区海南省海口市美兰区伊犁哈萨克自治州昭苏县阿克苏地区新和县山西省吕梁市岚县亳州市利辛县喀什地区麦盖提县丰台区长辛店镇喀什地区叶城县四川省泸州市江阳区四川省宜宾市翠屏区静海区西翟庄镇内蒙古锡林郭勒盟镶黄旗银川市贺兰县防城港市东兴市辽宁省铁岭市清河区海南省三沙市西沙区云南省红河哈尼族彝族自治州绿春县吉林省四平市铁西区内蒙古鄂尔多斯市康巴什区河东区大直沽街道内蒙古锡林郭勒盟镶黄旗云南省红河哈尼族彝族自治州泸西县江苏省徐州市新沂市行唐县龙州镇井陉县测鱼镇淮南市大通区海南省海口市美兰区黑龙江省七台河市桃山区广东省云浮市新兴县丰台区和义街道蓟州区东施古镇福建省漳州市龙海市湖北省孝感市汉川市朝阳区小关街道四川省宜宾市翠屏区固原市西吉县海南省儋州市江苏省徐州市新沂市元氏县殷村镇阿克苏地区新和县百色市靖西市四川省凉山彝族自治州甘洛县江西省吉安市吉安县山西省吕梁市中阳县塔城地区和布克赛尔蒙古自治县平顶山市湛河区西藏阿里地区日土县固原市西吉县阿克苏地区新和县青海省果洛藏族自治州赵县沙河店镇山东省泰安市泰山区山东省烟台市龙口市内蒙古鄂尔多斯市鄂托克旗延庆区康庄镇武清区汊沽港镇四川省宜宾市江安县四川省广安市岳池县山西省运城市夏县平顶山市卫东区江西省九江市武宁县丰台区和义街道怀柔区雁栖地区芜湖市南陵县青海省海南藏族自治州贵德县贵州省安顺市普定县辽宁省辽阳市白塔区四川省德阳市广汉市江苏省南京市浦口区伊犁哈萨克自治州昭苏县上海市市辖区嘉定区辽宁省本溪市溪湖区黑龙江省伊春市金林区四川省乐山市湖北省孝感市汉川市黑龙江省佳木斯市汤原县青秀区辽宁省沈阳市甘肃省陇南市云南省玉溪市新平彝族傣族自治县陕西省西安市未央区西青区精武镇云南省西双版纳傣族自治州勐腊县江西省吉安市吉安县云南省普洱市景东彝族自治县信阳市平桥区广东省珠海市斗门区云南省大理白族自治州云龙县和平区南市街道四川省广安市岳池县阿克苏地区新和县黑龙江省哈尔滨市巴彦县福建省三明市梅列区江苏省苏州市相城区福建省南平市建瓯市山东省聊城市茌平区四川省甘孜藏族自治州九龙县

本月行业协会披露研究成果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

江苏省徐州市福建省莆田市仙游县江西省宜春市宜丰县湖北省宜昌市西陵区江西省赣州市石城县昌平区阳坊镇元氏县辽宁省沈阳市沈河区静海区西翟庄镇内蒙古锡林郭勒盟正镶白旗平山县东回舍镇武清区上马台镇云南省普洱市景东彝族自治县辽宁省沈阳市沈河区贵州省黔东南苗族侗族自治州天柱县山东省聊城市冠县山东省枣庄市台儿庄区山西省晋中市榆社县崇左市宁明县朝阳区豆各庄地区密云区古北口镇山东省德州市齐河县新乐市协神乡山东省烟台市龙口市塔城地区和布克赛尔蒙古自治县山东省泰安市泰山区平山县东回舍镇桂林市兴安县吉林省白山市浑江区辽宁省锦州市义县元氏县苏村乡甘肃省庆阳市镇原县合肥市瑶海区西城区月坛街道南开区长虹街道马鞍山市博望区阿克苏地区拜城县黑龙江省绥化市明水县喀什地区麦盖提县怀柔区龙山街道四川省宜宾市珙县河东区大直沽街道延庆区康庄镇青海省海南藏族自治州贵德县朝阳区小关街道许昌市建安区甘肃省天水市秦州区云南省丽江市宁蒗彝族自治县青海省海西蒙古族藏族自治州德令哈市吉林省四平市铁西区广东省珠海市斗门区内蒙古鄂尔多斯市鄂托克旗蓟州区东施古镇山西省晋中市榆社县平山县宅北乡山西省忻州市定襄县山东省滨州市丰台区右安门街道海南省三沙市西沙区黑龙江省大兴安岭地区呼玛县陕西省商洛市山阳县山东省聊城市茌平区蓟州区东二营镇西乡塘区云南省玉溪市新平彝族傣族自治县陕西省汉中市西乡县和田地区黑龙江省绥化市明水县井陉县吴家窑乡丰台区宛平城地区四川省广元市广东省广州市越秀区鹿泉区寺家庄镇蓟州区官庄镇怀柔区宝山镇无极县大陈镇山西省忻州市宁武县吉林省长春市双阳区桂林市兴安县吉林省四平市铁西区四川省凉山彝族自治州甘洛县武清区上马台镇江西省宜春市奉新县内蒙古鄂尔多斯市鄂托克旗吉林省长春市双阳区湖北省孝感市汉川市丰台区右安门街道西城区天桥街道海南省儋州市云南省红河哈尼族彝族自治州泸西县云南省丽江市宁蒗彝族自治县贵州省铜仁市印江土家族苗族自治县江苏省南京市浦口区北辰区广源街道陕西省宝鸡市眉县丰台区长辛店镇江苏省南通市启东市平山县上观音堂乡哈密市伊吾县内蒙古鄂尔多斯市鄂托克旗

全球服务区域:江苏省苏州市相城区甘肃省定西市渭源县青海省玉树藏族自治州治多县海南省海口市美兰区桥西区苑东街道四川省德阳市广汉市山东省枣庄市台儿庄区信阳市平桥区广东省珠海市斗门区湖北省宜昌市宜都市昌平区阳坊镇四川省凉山彝族自治州昭觉县陕西省宝鸡市眉县青海省海南藏族自治州贵德县广东省汕头市南澳县陕西省宝鸡市眉县百色市田林县长安区南村镇甘肃省陇南市武都区山西省吕梁市岚县海南省海口市美兰区丰台区宛平城地区桂林市兴安县贵州省安顺市普定县亳州市利辛县井陉县吴家窑乡甘肃省陇南市海南省三沙市西沙区芜湖市南陵县山西省忻州市定襄县山东省泰安市泰山区广东省云浮市新兴县黑龙江省佳木斯市富锦市上海市市辖区嘉定区内蒙古锡林郭勒盟镶黄旗甘肃省陇南市甘肃省白银市景泰县四川省成都市新都区巴音郭楞蒙古自治州和硕县芜湖市南陵县新乐市协神乡山西省忻州市宁武县广东省惠州市龙门县山西省忻州市宁武县湖北省孝感市汉川市四川省宜宾市江安县北辰区开封市通许县云南省文山壮族苗族自治州广南县云南省丽江市宁蒗彝族自治县山西省晋中市灵石县西藏拉萨市达孜区吉林省白山市浑江区延庆区沈家营镇蚌埠市龙子湖区密云区不老屯镇昌平区回龙观街道哈密市伊吾县福建省南平市建瓯市西藏阿里地区日土县平山县小觉镇昌平区延寿镇桥西区苑东街道四川省凉山彝族自治州西昌市西藏阿里地区日土县山东省青岛市城阳区密云区高岭镇山西省忻州市宁武县山西省晋中市灵石县洛阳市汝阳县密云区河南寨镇江西省吉安市吉安县甘肃省陇南市河东区东新街道洛阳市汝阳县福建省福州市永泰县北辰区元氏县苏村乡青海省海南藏族自治州贵德县广东省江门市吉林省四平市铁西区陕西省咸阳市兴平市四川省广安市岳池县朝阳区小红门地区广东省云浮市新兴县广东省汕头市南澳县江苏省连云港市赣榆区朝阳区管庄地区云南省怒江傈僳族自治州福贡县黑龙江省大兴安岭地区呼玛县辽宁省朝阳市北票市行唐县龙州镇朝阳区豆各庄地区伊犁哈萨克自治州昭苏县西藏阿里地区日土县陕西省汉中市留坝县伊犁哈萨克自治州昭苏县平顶山市卫东区湖北省孝感市汉川市内蒙古乌海市乌达区

今日行业报告公布最新动态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：洛阳市汝阳县怀柔区龙山街道辽宁省锦州市义县湖北省宜昌市夷陵区怀柔区雁栖地区西藏阿里地区日土县喀什地区麦盖提县山东省聊城市冠县江西省吉安市永新县朝阳区酒仙桥街道焦作市中站区朝阳区小关街道平山县小觉镇吉林省长春市双阳区信阳市平桥区固原市西吉县陕西省汉中市南郑区四川省宜宾市珙县辽宁省铁岭市清河区南开区体育中心街道四川省甘孜藏族自治州九龙县黑龙江省佳木斯市富锦市甘肃省甘南藏族自治州和田地区江苏省苏州市相城区青海省海南藏族自治州贵德县广东省惠州市龙门县井陉县吴家窑乡四川省遂宁市蓬溪县甘肃省陇南市武都区丰台区宛平城地区云南省红河哈尼族彝族自治州泸西县四川省广元市内蒙古兴安盟乌兰浩特市山东省威海市辽宁省沈阳市洛阳市汝阳县河东区东新街道南开区体育中心街道密云区古北口镇西藏山南市贡嘎县上海市市辖区嘉定区海南省儋州市甘肃省定西市渭源县河东区东新街道桥西区东华街道山西省长治市襄垣县云南省文山壮族苗族自治州广南县朝阳区双井街道西藏山南市贡嘎县焦作市沁阳市江苏省徐州市丰县丰台区右安门街道百色市靖西市鹿泉区寺家庄镇南开区长虹街道江西省宜春市奉新县福建省莆田市城厢区四川省凉山彝族自治州西昌市山西省晋中市灵石县辽宁省朝阳市北票市甘肃省甘南藏族自治州昌平区小汤山镇辽宁省辽阳市白塔区辽宁省铁岭市清河区青海省果洛藏族自治州乌鲁木齐市沙依巴克区山西省临汾市安泽县密云区古北口镇平山县岗南镇西青区精武镇广东省汕头市南澳县山东省烟台市龙口市四川省成都市金牛区怀柔区雁栖地区云南省西双版纳傣族自治州勐腊县四川省甘孜藏族自治州福建省莆田市仙游县怀柔区宝山镇武清区汊沽港镇黑龙江省鹤岗市山西省长治市襄垣县广东省惠州市龙门县陕西省商洛市山阳县延庆区康庄镇四川省甘孜藏族自治州九龙县门头沟区大峪街道江苏省南京市浦口区青海省玉树藏族自治州治多县怀柔区龙山街道朝阳区双井街道元氏县四川省甘孜藏族自治州丹巴县北辰区湖北省孝感市汉川市湖北省宜昌市宜都市鹿泉区白鹿泉乡江西省九江市武宁县青海省果洛藏族自治州西乡塘区

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

本月相关部门传达最新政策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

天热了车里别放这些东西！已有车辆遭“封印”

华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-公侵犯一区二区三区四区中文字幕官方版-公侵犯一区二区三区四区中文字幕最新版V.66.26.42-2265安卓网

华体汇电竞-华体汇(中国)

专家称解放军处置荷兰舰机相当克制

华体汇电竞-华体汇(中国):专家称解放军处置荷兰舰机相当克制

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

88.76MB

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

37%好评(17人)

详细信息

软件大小:80.26MB
最后更新:2026-06-13 22:44:04
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:7.94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