基于深度学习的水稻病害检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）
2026/1/16 22:29:25
DeepSeek与北大合作提出Engram模块，将大模型的"计算"与"记忆"分离。传统模型用多层网络"重建"静态知识效率低下，而Engram通过N-gram哈希实现O(1)时间复杂度的知识检索。实验显示，相同参数下，Engram-27B全面超越MoE基线，推理能力提升最显著(BBH+5.0)。Engram剥离了静态知识重建任务，释放了模型用于推理的有效深度，且系统效率高，100B参数表仅带来不到3%的开销。
梁文锋又亲自署名了。上次是 mHC，这次是
Engram。
DeepSeek 与北大合作的Engram论文，梁文锋署名。
大家都觉得，大模型要更强就得更深。
DeepSeek 说，不对。你的前几层可能都在做无用功。
他们发现，大模型一直在用「算」来模拟「记」，效率很低。比如「戴安娜王妃」，模型要花六层网络才能认出来。六层深度，就为了认出一个人名。
这是浪费。
于是 DeepSeek 做了个叫Engram的模块，专门处理这种「本来查一下就行」的静态知识。
相同参数、相同算力，Engram-27B全面超过 MoE 基线。
但最有意思的不是这个。
提升最大的不是知识问答，而是推理。两个主流推理测试，BBH +5.0，ARC-Challenge +3.7。
但一个「记忆」模块，为什么能提升推理能力？
01｜大模型在用「深度」换「记忆」
举个例子。
大模型是一层一层处理信息的。比如识别「Diana, Princess of Wales」这个实体时，它得消耗好几层网络，一层一层把「Diana」「Princess」「of」「Wales」这几个词拼成一个完整概念。
第 1-2 层，模型只知道「Wales」是英国一个地方。第 3 层，开始意识到这可能是个头衔。第 4-5 层，逐渐锁定「威尔士王妃」。第 6 层，终于确定是戴安娜王妃。
模型识别「Diana, Princess of Wales」的过程，从第 1 层到第 6 层，概念逐渐清晰。
这件事的本质是什么？
用计算来模拟查表。模型在运行时「重建」了一个本可以直接查的静态知识。
DeepSeek 说，语言建模其实包含两种不同的子任务，组合推理和知识检索。前者需要深度计算，后者只需要简单查找。但 Transformer 把两件事混在一起处理了。
结果就是，模型的前几层被大量用于「重建」静态知识，真正用于复杂推理的有效深度被压缩了。
02｜给大模型装一个 N-gram 记忆模块
DeepSeek 的解法是把「算」和「记」分开，专门用一个模块处理静态知识检索。
这个模块叫Engram，本质上是对 N-gram 的现代化改造。
N-gram 是 NLP 的老朋友。把连续的 N 个词看作一个整体，用它来预测下一个词。这种方法在深度学习时代被认为「过时」了，因为只能捕捉局部依赖。
但 DeepSeek 的洞察是，对于很多静态知识，局部依赖就够了。
「Alexander the Great」「四大发明」「张仲景」，这些固定搭配不需要复杂推理，只需要快速匹配。
Engram模块的工作流程，从 N-gram 哈希到嵌入检索再到门控融合。
Engram是这么工作的。
先从输入序列里提取 2-gram 和 3-gram。比如「the Great」，就提取 (the, Great) 这个二元组。然后用哈希函数把它映射到一个巨大的嵌入表里，取出对应的向量。这个过程是 O(1) 常数时间查找，不需要任何计算。
最后用一个门控机制决定要不要用这个向量。如果上下文表明这个 N-gram 是有意义的，比如确实在讨论亚历山大大帝，就把它融入隐藏状态。如果不是，比如「the Great Wall」里的「the Great」，门控会把它压下去。
几个关键设计。
检索是确定性的。输入 token 一定，要查哪些嵌入就定了，不用等隐藏状态算出来。这意味着可以提前预处理。
参数规模可以很大。论文里Engram的嵌入表最大做到 100B，全放主机内存，通过 PCIe 传输，推理速度影响不到 3%。
位置有讲究。不是放第一层，而是第 2 层和第 15 层。太浅，上下文不够，门控不准。太深，静态知识已经被前面的层重建完了，Engram就没用了。
03｜U 形曲线和意外的推理提升
有了Engram，一个自然的问题是，参数预算怎么分配？多少给 MoE 专家，多少给Engram记忆？
DeepSeek 做了一组扫参实验，发现了一条 U 形曲线。
100% 给 MoE，效果不是最优。0% 给 MoE，也就是纯Engram，效果很差，模型丧失了动态推理能力。最优点在 75-80% 给 MoE，20-25% 给Engram。
这说明 MoE 和Engram是互补的。一个擅长条件计算，一个擅长静态查找。
也说明纯 MoE 方案是次优的。当前主流大模型把所有稀疏容量都给了专家路由，但实际上有 20-25% 更适合做静态记忆。
按这个分配，DeepSeek 训练了Engram-27B，和MoE-27B对比。严格等参数、等算力。
Engram-27B与MoE-27B的全面对比，推理和知识任务均有提升。
知识类任务提升在预期内。MMLU +3.4，CMMLU +4.0。
代码和数学也有提升。HumanEval +3.0，MATH +2.4。
但推理类任务提升更大。BBH +5.0，ARC-Challenge +3.7，DROP +3.3。
04｜Engram 相当于增加了模型的有效深度
论文用两个工具分析了Engram的内部机制。
第一个是 LogitLens。原理是把每一层的隐藏状态直接投影到词表上，看模型在这一层「认为」下一个词是什么。通过对比不同层的预测和最终预测，可以看出模型在哪一层「想明白」了。
Engram模型在早期层就达到了更接近最终预测的状态。它更早地「想明白」了。
LogitLens 和 CKA 分析，Engram的第 5 层约等于 MoE 的第 12 层。
第二个是 CKA，用来衡量两个模型在不同层的表示相似度。分析发现，Engram-27B的第 5 层，和MoE-27B的第 12 层最像。
换句话说，Engram的浅层，在功能上等价于 MoE 的深层。
因为Engram把静态知识的重建任务从网络里剥离出去了，模型的前几层不用再花精力识别「Diana, Princess of Wales」这种固定实体。这些层被释放出来，可以更早开始做真正的推理。
Engram并没有直接提升推理能力，而是通过减少「浪费」，间接增加了模型用于推理的有效深度。
论文还做了个验证。完全关掉Engram，看各类任务性能下降多少。
事实知识类的 TriviaQA，只剩 29%。阅读理解类的 C3，保留 93%。
Engram确实主要承担知识存储，阅读理解这种依赖上下文的任务，主要还是靠 Transformer 本体（Backbone）。
05｜长上下文也有优势
除了推理，Engram在长上下文任务上也有显著优势。
论文的解释是，Engram把局部依赖从注意力机制中剥离出去了，注意力可以更专注于全局上下文。
在 RULER 基准测试中，Engram-27B的 Multi-Query NIAH 从 84.2 提升到 97.0，Variable Tracking 从 77.0 提升到 89.0。
长上下文任务对比，Engram用 82% 的训练量追平了 MoE 基线。
论文还做了个控制实验。拿一个只训练了 41k 步的Engram模型，和完全训练了 50k 步的 MoE 模型对比。
只用了 82% 训练量的Engram，在长上下文任务上已经和 MoE 基线持平甚至更好。
架构优势是内在的，不只是「训练得更好」。
06｜系统效率：100B 参数表，不到 3% 开销
Engram还有个优势，系统友好。
MoE 的专家路由是动态的，得先算出隐藏状态，才能决定激活哪些专家。通信和计算是串行的。
Engram的检索是确定性的，输入 token 一定，要查哪些嵌入就定了。这意味着可以在 GPU 算前几层的同时，CPU 提前把后面要用的嵌入取好。
论文做了个极端测试。把 100B 参数的嵌入表完全放主机内存，走 PCIe。在 4B 和 8B 的 Dense 模型上，推理吞吐量下降只有 1.9% 和 2.8%。
知识可以存得很大，只要主机内存够用。
论文最后给了一组门控值的可视化，验证Engram确实在识别和检索固定的语言模式。
英文句子里，门控在「the Great」「Bucephalus」这些位置激活。中文句子里，「四大发明」「张仲景」「医圣」这些位置激活。
门控激活热力图，红色越深表示Engram越确定这是固定搭配。
它确实在做它应该做的事。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。