梁文锋署名：DeepSeek开源大模型记忆模块

DeepSeek节前开始蓄力！

最新论文直接给Transformer加上“条件记忆”（Conditional Memory），补上了原生缺乏的知识查找机制。

结论中明写道：我们将条件记忆视为下一代稀疏模型不可或缺的建模原语。

还是梁文锋署名，并与北京大学王选所赵东岩、张辉帅团队合作。

论文中不仅提出了条件记忆这个全新范式，并给出了具体实现方案Engram模块，实验中让27B参数碾压同规模纯MoE模型，甚至变相提升了大模型的推理能力：

让原来Transformer要用6层注意力才能干的简单任务压缩到1-2层搞定，省出来的资源就可以用于更难的推理任务了。

条件记忆的原理其实也非常“原始”：不靠计算，回归查表，用上了传统N-gram方法。

给大模型一个巨大的词表，专门存那些固定的实体名称和两三个词的短语，不管词表多大，找信息都是O(1)速度。

关键就在于，如此前大模型时代的玩法，DeepSeek如何解决传统N-gram模型存储爆炸和多义性问题，又是让它和现代Transformer结合起来的？

让注意力干“苦力活”太浪费了

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，另一种则是检索静态知识。

问题在于，现有的Transformer架构缺乏原生的知识查找机制。

当模型需要识别一个实体时，它得消耗好几层注意力和前馈网络，逐层拼凑特征，最终才能完成。

论文中引用了一个具体案例：”Diana, Princess of Wales”

模型需要经过6层才能完成这个识别过程，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，最终才能“想起来”这是指戴安娜王妃。

本质上是在用昂贵的运行时计算来重建一个静态查找表，那些本可以用于更高层推理的网络深度，被浪费在了识别概念这种“苦力活”上。

回归查表，回归N-gram

Engram的设计思路相当直接：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，那为什么不把这个能力直接嵌入Transformer？

具体实现上，团队在原有的Transformer层之间插入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中，直接取出对应的向量。

为了处理哈希冲突和多义性问题，团队引入了上下文感知的门控机制，用当前的隐藏状态作为Query，检索到的记忆作为Key和Value，计算一个0到1之间的标量门控值。

如果检索到的内容和当前上下文不匹配，门控值就趋近于零，相当于自动屏蔽噪声。

下图中，颜色越深说明Engram越判断当前文本片段是“固定静态模式”，倾向于调用记忆库中的对应信息。

颜色越浅代表这段文本越动态灵活，主要靠模型的注意力机制处理。

比如只看到“张”是一个常见姓氏，但是“张仲景”三个字凑一起就是固定历史人物实体了。

接下来还要解决传统N-gram模型的两个痛点。

语义重复，同一个词的不同形式（比如 Apple、apple、?pple）被当成不同 token，浪费存储。

存储爆炸，所有可能的 N-gram（比如2词、3词组合）数量太多，比如128k词表就要存128k^3种组合，直接存储根本存不下。

DeepSeek团队首先压缩tokenizer，把语义相同但形式不同的token归为一类，128k词表的有效规模直接减少23%，相同语义的token聚在一起，查找更高效。

再用多个哈希函数把N-gram映射成embedding表的索引，

这既解决了存储爆炸：不管有多少种N-gram，都通过哈希函数映射到一个固定大小的embedding表里，表的大小是质数。

又减少查找冲突：给每种N-gram阶数（比如2-gram、3-gram）配K个不同的哈希头，每个哈希头对应一个独立的embedding表，把所有N-gram阶数、所有哈希头取出来的 embedding向量拼在一起，形成最终的“记忆向量”e?，供后续模块使用。

U型曲线：MoE和记忆的最优配比

论文最核心的部分是对”稀疏性分配问题”的系统研究。

团队设计了一个严格的实验框架：固定总参数量和每token的激活参数量（也就是计算量），然后在MoE专家和Engram记忆之间重新分配”闲置参数”预算。

分配比例ρ从100%（纯MoE）逐步降到40%，实验结果画出了一条清晰的U型曲线：

纯MoE反而不是最优解，把大约20%到25%的稀疏参数预算分给Engram记忆时，模型验证集loss达到最低点。

在100亿参数规模下，最优配置比纯MoE基线的loss降低了0.0139。

更重要的是，这个最优分配点在不同计算预算下都相当稳定，大约在ρ=75%到80%之间。

团队解释了U型曲线两端的含义：

MoE主导时，模型缺乏静态模式的专用记忆，被迫通过网络深度和大量计算来低效重建。

Engram主导时，模型丢失了条件计算能力，在需要动态推理的任务上表现下降。

总之，记忆无法替代计算，计算也无法高效模拟记忆。

27B规模验证：推理能力提升超预期

按照U型曲线的指导，团队把Engram扩展到更大参数规模进行验证，并对比纯MoE模型和纯密集模型。

所有模型训练条件一致，激活参数量都是38亿，训练token都是2620亿，差异仅在 “稀疏能力分配”。

Dense-4B：纯密集模型。

MoE-27B：纯混合专家模型，72个路由专家+2个共享专家，所有稀疏参数都给MoE。

Engram-27B：MoE+Engram混合模型，55个路由专家+2个共享专家，把5.7B稀疏参数分配给Engram记忆模块。

Engram-40B：进一步扩展Engram模块，保持专家数量不变，Engram记忆参数增至 18.5B，总参数39.5B。

结果MoE-27B和Engram-27B对比，知识密集型任务的提升在预期之内：比如MMLU提升3分，CMMLU提升4.0分，TriviaQA提升1.9分。

但出乎意料的是，通用推理和代码数学领域的提升幅度也很大：BBH大幅提升5.0分，ARC-Challenge提升3.7分，DROP提升3.3分，HumanEval提升3.0分，MATH提升2.4分，GSM8K提升2.2分。

团队用LogitLens和CKA分析揭示了原因。

Engram让模型的早期层不再需要做特征组合的“苦力活”，KL散度曲线显示Engram模型的预测收敛速度明显更快。更直观的证据来自CKA相似度矩阵，Engram-27B第5层的表征，和MoE基线第12层的表征最为相似。

这意味着Engram实际上“加深”了网络的有效深度，省下来的层数被用于更复杂的推理任务。

Engram-40B进一步增加记忆参数后，大部分任务性能持续提升，且训练后期损失仍在下降，说明记忆容量还未饱和，后续可继续扩大。

另外长上下文场景的提升尤为显著。

在RULER测试集上，Multi-Query NIAH从84.2跃升到97.0，Variable Tracking从77.0提升到89.0。

论文解释说，Engram把局部依赖建模卸载给了查找操作，释放了注意力容量去关注全局上下文。

百亿参数表放CPU上，延迟几乎没影响

接下来又到了喜闻乐见的软硬结合工程优化环节。

在训练阶段，词表规模会高达100B参数，单个GPU存不下，必须拆分到多个 GPU 上，需要All-to-All通信机制，让所有 GPU 之间互相传递需要的记忆片段。

在推理阶段把词表卸载到CPU内存，同时又不能让记忆调用拖慢计算节奏。

和MoE的动态路由不同，Engram的查找索引只取决于输入token序列，完全可以提前计算。

这个确定性让团队能够把巨大的嵌入表放到CPU内存里，用PCIe异步预取，让通信和前面层的计算重叠。

具体通过把Engram模块插在Transformer网络的特定层，GPU计算前一层的同时，CPU预取当前层需要的Engram记忆，等GPU算完前一层，所需的记忆也已经传输到位。

实验直接把一个1000亿参数的Engram表放到CPU内存，在H800上跑推理。4B密集模型的吞吐量从9031 token/s降到8858 token/s，8B Dense模型从6315 token/s降到6140 token/s，额外开销都在3%以内。

自然语言N-gram天然遵循Zipfian分布，极少数高频模式占据绝大多数访问量。这意味着可以设计多级缓存：高频嵌入放GPU显存，中频放CPU内存，长尾放NVMe SSD，把有效延迟进一步压缩。

DeepSeek团队在结论中写道：

Engram将 “硬件感知效率” 确立为核心设计原则：其确定性寻址机制支持存储与计算的解耦，能够将海量参数表卸载至主机内存，且推理开销可忽略不计。我们认为，条件记忆将成为下一代稀疏模型中不可或缺的建模基元。

DeepSeek的下一代稀疏模型，已被曝光将在春节前发布，敬请期待。