DeepSeek團隊在人工智能領域再掀波瀾，其最新研究論文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》正式發(fā)布，提出了一種名為"條件記憶"的創(chuàng)新技術框架。這項突破性成果旨在解決大語言模型在知識檢索與動態(tài)推理之間的效率矛盾，通過引入稀疏查找機制優(yōu)化模型架構，為下一代稀疏模型發(fā)展開辟新路徑。

研究團隊由DeepSeek核心成員與北京大學王選所趙東巖、張輝帥團隊聯(lián)合組成，針對現(xiàn)有混合專家模型（MoE）的局限性展開攻關。傳統(tǒng)Transformer架構在處理命名實體、公式化表達等靜態(tài)知識時，需通過多層注意力機制重建檢索路徑，造成計算資源的浪費。新提出的Engram模塊通過稀疏查找操作直接獲取靜態(tài)嵌入，與MoE的動態(tài)參數(shù)激活形成互補，形成"動態(tài)計算+靜態(tài)檢索"的雙軌機制。

實驗數(shù)據(jù)顯示，在固定參數(shù)量和計算量的條件下，將20%-25%的稀疏參數(shù)分配給Engram模塊可獲得最優(yōu)性能。以100億參數(shù)規(guī)模模型為例，驗證損失值從1.7248降至1.7109?；谠摪l(fā)現(xiàn)訓練的Engram-27B模型，通過調(diào)整專家數(shù)量與記憶模塊配比，在知識推理、代碼生成等任務中展現(xiàn)出顯著優(yōu)勢：MMLU基準測試提升3.0分，Humaneval代碼生成任務提升3.0分，GSM8K數(shù)學推理提升2.2分。

這項技術突破的核心在于"U形擴展定律"的發(fā)現(xiàn)。研究證實，當Engram內(nèi)存占比達到總稀疏參數(shù)的74.3%時，模型在保持計算效率的同時，能有效釋放注意力機制的處理能力。機制分析表明，Engram模塊通過將靜態(tài)知識檢索前移至早期網(wǎng)絡層，使后續(xù)注意力層可專注于全局上下文理解，特別在長文本處理場景中表現(xiàn)出色。

值得關注的是，該研究明確將條件記憶定位為下一代稀疏模型的基礎組件。結合近期外媒報道，DeepSeek計劃在春節(jié)前后發(fā)布的新旗艦模型V4，極有可能集成這項創(chuàng)新技術。知情人士透露，內(nèi)部測試顯示V4在代碼生成領域已超越Claude、GPT等主流模型，其強勁表現(xiàn)引發(fā)行業(yè)高度期待。

自2024年發(fā)布R1模型引發(fā)全球關注以來，DeepSeek持續(xù)保持技術迭代速度。2025年下半年，該團隊平均每月都有重要成果發(fā)布：12月開源的V3.2系列模型達到GPT-5水平；11月發(fā)布的Math-V2成為首個通過國際奧數(shù)金牌測試的開源模型；10月推出的OCR技術通過光學壓縮將長文本處理成本降低60%；9月更以百萬token輸入價格0.2元的策略震動行業(yè)。

此次條件記憶技術的突破，標志著大語言模型進入"動態(tài)智能+靜態(tài)知識"的融合發(fā)展階段。通過解耦存儲與計算，Engram架構不僅提升了知識檢索效率，更重構了模型內(nèi)部的注意力分配機制。這種設計范式為處理多模態(tài)數(shù)據(jù)、構建通用人工智能提供了新的技術路徑，或將重新定義AI模型的能力邊界。