查表代替多层计算，大模型效率革命来了！)
https://github.com/deepseek-ai/EngramConditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models DeepSeek-AI × 北大今天，DeepSeek开源Engram&论文，做的是模型内部的 parametric memory（参数化记忆），RAG 是模型外部的 non-parametric memory（非参数化记忆）。两者可以叠加，形成“内外双记忆”系统。
Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models
一、MoE 之后，稀疏化还能怎么卷？
自从 MoE（Mixture-of-Experts）把“条件计算”做成主流，大模型就靠“只激活一部分专家”把参数量推高到百亿甚至千亿，而每 token 计算量几乎不变。
但作者指出：语言信号里还有大量“静态局部模式”——人名、成语、公式、代码片段——它们根本不需要层层 Attention 去“推理”，查表就能解决。
Transformer 没有原生的 lookup 原语，只能把“查字典”硬算成“矩阵乘法”，浪费深度、浪费 FLOPs，还占用宝贵的 Attention 带宽。
Engram已开源
于是团队提出第二条稀疏轴：
条件内存（Conditional Memory）——用 O(1) 查表代替多层计算，与 MoE 的“条件计算”互补。
二、方案：Engram = 现代版 N-gram + 哈希表 + 上下文门控
2.1 总体架构
图1：Engram 插在 Transformer 中间层，先查表再与隐藏态融合。
核心三步：
- Tokenizer 压缩：把 128 k 词表先映射到“语义等价类”，减少 23 % 冗余
- 多哈希头检索：2~3-gram 分别用 8 个独立哈希函数映射到 5.7 B 个 slot，几乎无碰撞。
- 上下文门控：用当前隐藏态做 Query，对查到的 Value 做 RMSNorm-点积-σ 门控，抑制歧义或冲突条目。
2.2 系统级设计：把 100 B 参数搬去 CPU 也毫无压力
图2：训练时表分片 All-to-All；推理时利用确定性地址预取，PCIe 延迟被计算掩盖。
- 推理把整张表放主机内存，GPU 算前几层的同时异步搬数据，**吞吐损失 < 3 %**（见表4）。
- 利用 N-gram 的 Zipf 分布做多级缓存，热 slot 常驻 GPU HBM，冷 slot 放 SSD，进一步降低延迟。
三、结论：27B 外挂内存，全面碾压同参数 MoE
3.1 稀疏预算怎么分？U 形曲线给出答案
图3：固定总参数 + 固定激活量，纯 MoE（ρ=100 %）并非最优，把 20 %~25 % 预算挪给 Engram 后验证损失最低。
3.2 大模型实战成绩
表1 给出26.7 B 总参数 / 3.8 B 激活量下的对比：
知识任务涨、推理任务涨、代码数学也涨——说明“查表”不仅背知识，还让 backbone 更早聚焦高阶语义。
3.3 长上下文bonus：NIAH 从 84 → 97
表2 示，把 Engram-27B 拉到 32 k 上下文后，Multi-Query NIAH 准确率 97.0，远超 MoE 的 84.2。
机理：局部依赖被 lookup 接管，Attention 专注全局，等效深度增加。
四、一图看懂“等效深度”
左：LogitLens 显示 Engram 在第 5 层就达到 MoE 第 12 层的预测置信度；右：CKA 热力图对角线明显上移。
五、总结
“让模型记住的归查表，让模型推理的归计算”——Engram 把 N-gram 老想法做成可扩展基础设施，给下一代稀疏大模型提供了内存轴的新范式。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
