打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片
Engram机制的核心思路是给大模型加一个“外接记忆库”。传统MoE模型处理信息时，会对常见名字、公式等静态知识反复计算，既耗时又耗算力。
打开网易新闻 查看精彩图片
浅层部署的记忆模块能接管局部依赖与静态知识存储，为注意力机制腾出容量专注全局推理。
即便将1000亿参数的记忆表卸载，H800推理吞吐量降幅也不足3%。DeepSeek还发现，增加记忆槽位数量能持续降低验证损失，这为大模型提供了无需增加计算量就能提升性能的可预测扩展路径。
打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片
刚加入DeepSeek时，程信参与的是R1模型的参数优化工作。由于在高效参数化方法上有独到见解，他被纳入核心研发团队。在Engram机制的研发初期，团队曾因记忆模块与主干网络的适配问题陷入瓶颈。
这种校企协同的模式让更多青年科研人员脱颖而出。目前DeepSeek的核心研发团队中，有三成成员来自高校实习转正的年轻人才。他们在学术研究与工程落地的结合中快速成长，成为国产大模型创新的重要力量。
打开网易新闻 查看精彩图片
Engram机制不仅有学术价值，更具备极强的工程落地潜力。其记忆检索完全依赖输入token，实现了参数存储与计算资源的解耦，训练时可将超大嵌入表分片至多张GPU，推理时能提前预取数据避免GPU停顿。
基于自然语言的Zipf分布特性，Engram还能采用多级缓存策略，高频嵌入存于GPU或主机内存，低频嵌入置于SSD，轻松扩展至超大规模记忆，
打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片
热门跟贴