DeepSeek联合北大推出Engram条件记忆模块

Engram是什么

Engram是DeepSeek团队携手北京大学共同研发的一种条件记忆机制，专门用于增强大语言模型的知识利用能力。该模块通过构建现代化的N元语法嵌入表，将静态知识以结构化方式存入独立内存空间，并结合稀疏检索与上下文感知门控策略，实现低成本、高精度的知识调用。Engram与混合专家架构天然协同，可在不额外增加推理计算量的前提下，显著强化模型在知识密集型任务、超长上下文建模及复杂推理场景中的表现，同时规避GPU显存瓶颈，为更大规模参数部署提供可能。

Engram的主要功能

• 高效知识检索：依托预构建的静态嵌入表，实现毫秒级固定知识定位，大幅降低对主干网络计算资源的占用。
• 长上下文优化：释放注意力层的建模压力，使其更聚焦于全局语义关联，从而提升模型对万字以上文本的理解与推理能力。
• 计算与存储解耦：支持从主机内存异步加载记忆数据，绕过GPU显存容量约束，为千亿级参数扩展提供新路径。
• 多维性能跃升：在零额外浮点运算消耗下，显著改善知识问答、通用逻辑推理、编程生成及数学求解等关键任务的准确率与稳定性。

Engram的技术原理

• 分词器轻量化：采用预训练的满映射函数，将原始词元ID归一化为紧凑的ID空间，压缩词表冗余，提升N元语法的覆盖密度与泛化效率。
• 多头哈希索引：融合哈希定位与多头并行机制，将局部上下文片段快速映射至嵌入表对应槽位，有效规避传统N元语法参数化带来的组合爆炸问题。
• 动态门控融合：以当前隐藏状态作为查询向量，以检索所得嵌入作为键值对，引入可学习门控单元抑制无关噪声，确保注入知识与上下文语义严格对齐。
• 稀疏参数再分配：在既定参数总量约束下，将混合专家架构部分专家容量迁移至Engram内存模块，实证发现计算资源与记忆容量存在U型权衡关系，并据此确定最优配比。
• 系统级延迟隐藏：利用Engram检索过程的高度确定性，设计预取流水线与计算-传输重叠机制，有效掩盖内存访问延迟，突破显存带宽限制。

Engram的项目地址

• 技术论文：技术论文可访问相关学术平台获取。

Engram的应用场景

• 智能问答系统：即时对接外部知识库，精准召回事实性信息，显著缩短响应延迟并提高答案可信度。
• 可控文本生成：在生成过程中快速匹配高频短语、领域术语或模板化表达，提升输出一致性与专业性。
• 长文档分析：适用于法律合同、科研论文、技术白皮书等超长文本场景，增强跨段落逻辑追踪与主旨归纳能力。
• 智能编程助手：高效检索常见代码模式、接口使用范式及错误修复方案，加速代码补全、重构与调试流程。
• 数学问题求解：支持对公式、定理、推导步骤等结构化数学知识的快速定位与复用，提升符号推理与证明生成质量。