DeepSeek联合北大发布Engram：突破Transformer记忆瓶颈，开启稀疏化双轴时代

就在刚刚，DeepSeek全新研究成果正式发布，梁文锋作为联合作者署名其中！

这一次，他们与北京大学强强联手，直指Transformer架构最核心的痛点——「记忆」机制的缺失，这也是当前大模型发展的关键难题。

如今，混合专家模型（MoE）已成为大模型的主流架构，但其本质仍未脱离Transformer框架。由于缺乏原生的「知识查找」机制，许多本应简单检索的任务，不得不依靠庞大的计算资源去模拟实现，造成大量算力浪费。

在这篇长达33页的论文中，研究团队提出了一种与MoE互补的全新维度——「条件记忆」稀疏轴，并通过创新的Engram模块将其落地：

他们将经典的哈希N-gram方法进行现代化改造，使其能够以近乎O(1)的复杂度实现确定性的知识查找，极大提升了检索效率。

论文地址：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf

通过「稀疏分配」（Sparsity Allocation）建模，研究人员意外发现MoE与Engram之间存在一条「U形缩放定律」（U-shaped scaling law）。

这意味着，在实际应用中需要精细调整二者之间的资源配比，从而在动态计算与静态记忆之间找到最优平衡点。

遵循这一规律，团队将Engram扩展至270亿参数规模，并在严格等参数、等计算量（FLOPs）的条件下，取得了全面优于MoE基线的性能表现。

通俗地讲，MoE解决的是「如何减少无效计算」，而Engram则从根源上避免了「盲目计算」。

它将需要查询的任务交给O(1)的记忆模块，将注意力从局部琐碎的模式中解放出来，结果不仅是知识记忆能力更强，推理、代码、数学等综合能力也同步提升。

这或许将成为稀疏大模型领域的一条主流技术路线，更值得期待的是，下一代DeepSeek V4很可能将这一新方法集成其中。

告别盲目计算，为Transformer植入「电子脑」

当前，大语言模型规模不断扩大已成为业界共识的「铁律」，其发展路径清晰可见——

不断扩大参数规模，同时让计算过程变得「稀疏」。

混合专家模型（MoE）正是这一思路的典型代表：每个Token仅激活少量专家，通过「条件计算」实现参数规模飙升，同时控制计算量（FLOPs）。

从Artifical Analysis榜单可见，现有的稀疏大模型绝大多数都采用MoE架构。

但问题在于，Transformer缺乏一种「原生知识查找」的能力，因此许多本应像检索一样O(1)完成的任务，被迫用大量计算去模拟检索过程，效率低下且不划算。

北大和DeepSeek的这篇新论文提出了一个极具启发性的观点：稀疏化不仅可以服务于「计算」，同样可以服务于「记忆」。

基于此，团队提出了Engram模块，将语言建模中大量「固定、局部、刻板」的模式，交给一个可扩展的查表模块来承担。

这样一来，Transformer主干就可以将注意力和深度资源集中在更需要「组合与推理」的任务上。

语言建模的两类子任务

论文中，作者明确将语言建模拆分为两类子任务：

一部分任务需要「组合与推理」：如上下文关系建模、长程依赖捕捉、逻辑推理、链式推理等。

另一部分任务则更像「模式检索」：如实体名称、固定搭配、常见短语、语法片段、重复出现的局部结构等。

后者的共同特征非常明显：它们往往是局部的、稳定的、重复出现的。

如果依靠多层注意力和前馈网络（FFN）去「计算」这些模式，模型虽然能做到，但成本极高，还会挤占早期层的表达能力。

例如，要识别实体「戴安娜，威尔士王妃」（Diana, Princess of Wales），LLM必须消耗多层注意力和FFN来逐步组合特征，而这个过程理论上可以通过一次知识查找操作完成。

Engram的目标非常直接——

将这类「局部静态模式」转移到一种廉价的知识查找原语中。

它用确定性的查表快速给出候选信息，再由上下文决定是否采纳。

Engram核心架构：暴力查表+记忆开关

Engram一词源于神经科学，原意为「记忆痕迹」，是一种可扩展、可检索的记忆单元。

它可以用于存储LLM在推理过程中可能接触到的模式和信息片段。

可以将Engram理解为对经典「哈希N-gram嵌入」的现代化改造，将其做成一个插入在Transformer中间层的「可扩展查表模块」。

如图1所示，Engram是一个条件记忆模块，旨在通过从结构上分离静态模式存储与动态计算，从而增强Transformer骨干网络。

形式化地说，给定输入序列X=(x_1,...,x_T)和第l层的隐藏状态H^(l)∈R^Txd，该模块分两个功能阶段处理每个位置t：检索和融合。

接下来，我们一起看看Engram的关键设计点。

基于哈希N-gram的稀疏检索

第一阶段主要负责将局部上下文映射到静态的记忆条目中，这通过分词器压缩和确定性哈希检索嵌入来实现。

分词器压缩

为了最大化语义密度，作者引入了一个词表投影层。

他们预先计算了一个满射函数P:V→V"，利用归一化的文本等价性（如NFKC、小写化等）将原始Token ID坍缩成规范标识符。

这个过程能让128k大小的分词器有效词表大小减少23%。

多头哈希

直接参数化所有可能的N-grams组合空间，在计算上是行不通的。作者采用了一种基于哈希的方法。

为了减少冲突，他们为每个N-gram阶数n分配了K个不同的哈希头。

每个头k通过一个确定性函数φ_n,k,将压缩后的上下文映射到嵌入表E_n,k中的一个索引：

上下文感知门控

检索到的嵌入e_t充当的是上下文无关的先验信息。不过，它们容易受到哈希冲突或多义词带来的噪声干扰。

为了增强表达力并解决这种歧义，作者采用了一套受注意力机制启发的上下文感知门控机制。

他们利用当前的隐藏状态h_t作为动态的Query，而检索到的记忆e_t则作为Key和Value投影的来源：

其中W_K，W_V是可学习的投影矩阵。

为了保证梯度稳定性，他们在计算标量门α_t∈(0,1)之前，先对Query和Key进行RMSNorm处理：

最后，为了扩大感受野并增强模型的非线性，作者还引入了一个短的深度因果卷积：

门控可视化

为了实证验证Engram是否按预期行为，作者在图7中可视化了Engram-27B在各种样本上的门控标量α_t。

结果展示了明显的选择性模式。门控机制在处理局部、静态模式时一致地激活（显示为红色）。

在英文中，观察到在多Token命名实体（如Alexander the Great、the Milky Way）和固定短语（如By the way，Princess of Wales）上有强烈的激活。

关键是，这种行为能有效地跨语言泛化。

在中文示例中，Engram能够识别并检索独特的习语表达和历史实体，例如「四大发明」和「张仲景」。

这些定性结果证实，Engram成功识别并处理了固定的语言依赖关系，有效地将Transformer骨干网络从记忆这些静态关联中解放出来。

系统效率：计算与存储解耦

扩展记忆增强型模型往往受限于GPU高带宽内存（HBM）的容量。

然而，Engram的确定性检索机制天然支持将参数存储与计算资源解耦。

与依赖运行时隐藏状态进行动态路由的混合专家模型（MoE）不同，Engram的检索索引仅取决于输入的Token序列。

这种可预测性为训练和推理提供了专门的优化策略，如图2所示。

训练阶段，为了容纳大规模嵌入表，他们采用标准的模型并行策略，将表分片存储在可用的GPU上。

推理阶段，这种确定性特性使得「预取和重叠」策略成为可能。

U型缩放定律，揭秘最优分配比

Engram作为条件记忆的一种实现形式，在结构上与MoE专家提供的条件计算是互补的。

这里，主要研究了以下两个关键问题：

1. 有限约束下的分配

2. 无限内存场景

作者通过三个参数指标来分析MoE和Engram之间的权衡：

P_tot:总可训练参数，不包括词表嵌入和LM头。

P_act：每个Token的激活参数量。这个数值决定了训练成本（FLOPs）。

P_sparse≜P_tot-P_act：非激活参数，这代表了「免费」的参数预算，可用于在不增加计算成本的情况下扩展模型规模。

作者将分配比例ρ∈[0,1]定义为分配给MoE专家容量的非激活参数预算的比例：

直观来说：

ρ=1对应纯MoE模型（所有非激活参数都是参与路由的专家）。

ρ＜1则减少路由专家的数量，并将释放出来的参数重新分配给Engram嵌入槽位。

结果与分析

图3（左）展示了验证损失与分配比例ρ之间存在一致的U型关系。

这种U型关系证实了两个模块之间的结构互补性：

MoE主导（ρ→100）：模型缺乏用于存储静态模式的专用内存，迫使它只能通过增加深度和计算量来低效地重建这些模式。

Engram主导（ρ→0%）：模型失去了条件计算能力，从而损害了那些需要动态、上下文依赖推理的任务；在这种场景下，记忆无法替代计算。

接下来，作者探索了一种互补的设置：激进的内存扩展。

图3（右）表明，扩展内存槽位的数量能带来清晰且一致的验证损失改善。

在探索的范围内，曲线遵循严格的幂律，这表明Engram提供了一种可预测的扩展调节手段：更大的内存能持续带来收益，而无需额外的计算量。

关于扩展效率关键的一点是：虽然OverEncoding的直接平均方法也能受益于更大的内存表，但Engram在相同的内存预算下解锁了更大的扩展潜力。

结合分配定律，这些结果验证了——

条件记忆可以作为稀疏容量的一个独特且可扩展的维度，与MoE的条件计算相辅相成。

全面超越传统MoE，知识、推理、数学能力齐升

基于Engram架构以及实验得出的分配定律，作者将Engram扩展到了数十亿参数的级别，以此来验证其在现实世界LLM预训练中的有效性。

他们训练了以下四个模型：

·Dense-4B （总参数4.1B）

·MoE-27B （总参数26.7B）

·Engram-27B （总参数26.7B）

·Engram-40B （总参数39.5B）

实验结果

首先，与先前文献结论一致，稀疏架构表现出了优于密集模型的扩展定律。

在相同的训练计算预算下，所有三个稀疏变体（MoE-27B，Engram-27B/40B）在所有基准测试中都显著击败了等FLOPs的Dense-4B基线。

更重要的是，Engram-27B始终优于等参数且等FLOPs的MoE-27B基线。

有趣的是，这些收益并不仅限于知识密集型任务（MMLU：+3.0，MMLU-Pro：+1.8，CMMLU：+4.0）。

在通用推理领域（BBH：+5.0，ARC-Challenge：+3.7，DROP：+3.3），以及代码和数学推理（HumanEval：+3.0，MBPP：+1.6，GSM8K：+2.2，MATH：+2.4）中，提升更为显著。

这些结果支持了他们的假设：引入一个专用的知识查找原语所带来的表示效率提升，要超过将所有稀疏预算都分配给条件计算的效果。

最后，扩展到Engram-40B进一步降低了预训练损失，并在大多数基准测试中提升了性能。

可以观察到，Engram-40B与基线之间的训练损失差距在训练后期仍在持续扩大，这表明扩大的内存容量在当前的Token预算内尚未完全饱和。

注意力彻底解放，32k上下文性能狂飙

通过将局部依赖建模的任务卸载给静态查找，Engram架构保留了宝贵的注意力容量来管理全局上下文。

通过长上下文扩展训练，作者证明了Engram在长程检索和推理任务上带来了显著的提升。

实验结果

1. 超越注意力机制的长上下文能力

虽然注意力机制和位置编码提供了处理上下文的结构基础，但结果表明，长上下文性能并非仅由架构先验决定。

轨迹可见，长上下文性能与基座模型的通用建模能力本质上是挂钩的。

因此，严格的架构比较必须通过对齐基座模型的Loss来控制这一干扰变量，而不仅仅是简单地对齐训练步数。

2. 受控设定下的架构优越性

在上述原则的指导下，作者将Engram与MoE 基线进行了对比。当控制了基座能力后，Engram模块的效率增益就变得非常明显：

等Loss设定（46k vs. 基线）：当对比预训练Loss对齐的Engram-27B（46k）和完全训练的MoE-27B（50k）时，Engram 展现出了显著的增益。

等FLOPs设定（50k vs. 基线）：在标准的等计算预算下，Engram-27B（50k）进一步拉大了这一差距，确立了全面的最佳性能。

极端设定（≈82%计算量）：即便是提前停止训练的Engram-27B（41k），在面对完全训练的MoE-27B（50k）时依然极具竞争力。这凸显了Engram架构内在的优越性。

计算+记忆双轴时代，直接融入V4？

DeepSeek最新论文，打开了稀疏化的第二条路，是一条非常具有启发性的路线：

稀疏化模型进入了「计算+记忆」双轴时代。

MoE继续负责动态计算与推理

Engram负责存储与检索静态知识与局部模式

如上所示的U型缩放定律证明了，稀疏预算全部给MoE并不是全局最优，留出一部分给Engram整体性能更强。

1. 稀疏化目标变得更丰富了

条件计算解决了FLOPs问题，条件记忆解决了容量与模式检索问题，两者可以互补。

2. Engram收益带有结构性

它让LLM知识能力暴涨的同时，也间接提升了推理、数学、代码的性能，因为Transformer主干的深度和注意力计算变得更有价值。

3. 确定性查表，很适合系统优化

模型预取和卸载能力强大，为「更大参数、同等吞吐」提供了一条可行的工程路线。

如今，全网都在猜测，春节档的V4有很大概率会将Engram融入主干架构。

回看此前DeepSeek路线：

DeepSeek V2曾引入MLA，大幅提升了推理效率和KV缓存友好度；

DeepSeek V3持续优化MoE，实现无损负载均衡，训练更稳定，成本更低。

若是V4真的把Engram落地，那将不仅是参数规模的提升，更是架构范式的又一次跃迁。

再加上，此前爆料称，V4代码实力可能赶超Claude、ChatGPT系列。

今年的春节大礼，真是让人期待。

作者介绍

Xin Cheng

Xin Cheng目前在北京大学攻读博士学位，主攻自然语言处理方向，研究重点是大语言模型和检索增强生成。

作为一名学术新秀，他在圈内已取得不少成绩，尤其是在NeurIPS、ACL和EMNLP这些顶级会议上，发表了多篇一作论文。

参考资料：HYZ

https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf

https://x.com/karminski3/status/2010858438814023740

https://x.com/LearnWithScribe/status/2010783721410981930?s=20